Statistics for Data Analysis V.32
Novità e vantaggi
Versione 32: analisi ancora più performanti, strumenti sempre più mirati
Statistics for Data Analysis powered by IBM SPSS continua a evolvere, per diventare sempre più potente e completa.
Scopri tutte le novità della nuova release! 🔽
📊 Funzionalità sempre più evolute
💡 Correlazione delle distanze
La correlazione di distanza è una metrica versatile che rileva qualsiasi forma di dipendenza statistica tra variabili (lineare o non lineare).
Individua relazioni non lineari spesso invisibili nei dati reali, per un workflow più integrato, e risolve i limiti dell'analisi di dati reali che spesso presentano dipendenze non lineari e complesse.
Una novità che fa la differenza.
Applicazioni concrete:
-
Medicina: biomarcatori e variabili cliniche non lineari
-
Psicologia: relazioni comportamentali complesse
-
Sociologia: pattern sociali difficili da rilevare con Pearson tradizionale
-
Marketing research: comportamento utenti e customer analytics
💡 Proximity Mapping
La mappatura di prossimità è una tecnica di visualizzazione utilizzata per ridurre la dimensionalità dei dati multivariati e per mostrare le relazioni tra oggetti (casi, elementi o altre entità) in una configurazione spaziale.
Supporta diverse fonti di prossimità, incorpora variabili aggiuntive (attributi e proprietà) e offre un'ampia gamma di opzioni di trasformazione e restrizione.
È una funzionalità molto utile per clustering esplorativo, analisi percettive, segmentazione, ricerca sociale e psicometria.
Molto interessante per Università e ricerca accademica, customer satisfaction, analisi qualitative/quantitative integrate, ricerche di mercato, sociologia e psicologia.
💡 Mixed Data Clustering
Immagina di voler dividere i dati in gruppi (cluster), ma hai un dataset "misto" di numeri e categorie.
Il Data Clustering misto permette di eseguire analisi di clustering utilizzando contemporaneamente variabili numeriche, categoriche, ordinali, dati misti provenienti da survey o database reali.
A differenza dei cluster tradizionali il Mixed Data Clustering è progettato per lavorare con la struttura reale dei dataset utilizzati in ricerca sociale, medicina, marketing, psicologia, università, customer analytics.
In questa nuova versione, si accompagna a miglioramenti di stabilità e alla gestione di dataset complessi.
💡 Analisi di mediazione
È un metodo statistico utilizzato per comprendere il meccanismo attraverso il quale una variabile indipendente influenza una variabile dipendente tramite una o più variabili mediatrici.
Perché è utile? Ti aiuta a verificare le ipotesi relative agli effetti indiretti e a comprendere i meccanismi di influenza presenti nei tuoi dati.
In particolare, serve per:
-
Verificare i modelli teorici relativi ai meccanismi causali
-
Identificare gli obiettivi dell'intervento attraverso la comprensione dei meccanismi mediatori
-
Valutare l'importanza relativa dei diversi percorsi causali
-
Valutare se gli effetti variano tra i sottogruppi
-
Controllo delle variabili confondenti negli studi osservazionali
È ampiamente utilizzata in diverse discipline: scienze della salute, psicologia, scienze sociali, settore aziendale, formazione.
⭐ Nuovi Add-On: più strumenti per analisi migliori!
Consente di ottenere risultati affidabili anche in presenza di outliers.
Perché è utile?
I modelli di regressione classici (es.: OLS) sono sensibili agli outliers.
Anche pochi valori estremi possono distorcere:
-
coefficienti stimati
-
predizioni
-
interpretazione del modello
La regressione robusta aiuta a ridurre l’influenza degli outliers senza eliminarli e a mantenere informazioni utili contenute nei dati.
Regressione robusta
Il TreeMap è un grafico che rappresenta dati gerarchici tramite rettangoli annidati.
La dimensione di ciascun rettangolo è proporzionale a una variabile numerica.
Perché è utile?
-
Evidenzia la composizione di un insieme di dati (categorie e sottocategorie)
-
Facilita il confronto tra pesi relativi
-
Aiuta a individuare pattern, squilibri e anomalie
Il Tree Mapping permette di visualizzare in modo compatto grandi quantità di dati strutturati.
Tree Mapping
⚡V32: novità per l'evoluzione concreta
✅ Modelli autoregressivi vettoriali
I modelli VAR sono particolarmente utili in tutti i campi in cui si hanno multiple serie temporali correlate e si vuole studiare come evolvono congiuntamente e come si influenzano reciprocamente nel tempo.
In particolare sono moto usati in economia, finanza, marketing.
✅ Miglioramento dell'interfaccia del T-Test
Nella finestra di dialogo della funzione del test T su campioni indipendenti è stata aggiunta la possibilità di includere i risultati della statistica di Levene nell'output.
✅ Analisi genomica
È una nuova funzione che ti permette di importare direttamente file FASTQ/FQ di sequenziamento e trasformarli in un data set SPSS con metriche già pronte per le normali procedure statistiche (descrittive, frequenze, correlazioni, regressione).
L'analisi genomica è rilevante, ma non limitata, ai seguenti casi d'uso: identificare le mutazioni genetiche associate alle malattie; individuare potenziali bersagli farmacologici e comprendere i meccanismi delle malattie; sviluppare trattamenti su misura basati sul profilo genetico individuale.
✅ Coefficiente di variazione
È stata implementata la nuova opzione per il calcolo del coefficiente di variazione, che viene mostrato nelle relative tabelle di output. Si tratta di un indice statistico di dispersione relativo che misura la variabilità dei dati rispetto alla loro media, permettendo di confrontare insiemi di dati con unità di misura differenti (es. peso in kg e altezza in cm).
✅ Ricerca immediata del DOE
Dalla barra di ricerca in alto di Statistics for Data Analysis ora è possibile trovare tutti raggruppati i comandi legati al Design of Experiments (DOE), senza doverli cercare a mano nei menu Analizza.