top of page
base_SPS_edited_edited_edited.png
 Statistics Advanced 

Il modulo Statistics Advanced migliora l'accuratezza e l'affidabilità delle analisi attraverso statistiche progettate per relazioni complesse. In particolare, offre le seguenti funzionalità:

​

  • Statistiche Bayesiane (disponibili a partire dalla V25)

  • General linear models (GLM) e procedure di modelli misti

  • Generalized linear models (GENLIN) che includono modelli statistici ampiamente utilizzati, come la regressione lineare per le risposte distribuite normalmente, modelli logistici per dati binari e modelli loglineari per il conteggio dei dati.

  • LMM (Linear Mixed Model), nota anche come HLM (Hierarchical Linear Model), che estende i GLM (General Linear Model) utilizzati nella GLM per consentire di analizzare i dati che presentano correlazioni e variabilità non costante.

  • GLMM (Generalized Linear Mixed Model) da utilizzare con dati gerarchici e una vasta gamma di risultati, inclusi i valori ordinali.

  • Procedure di analisi di sopravvivenza per esaminare i dati permanenti e con scadenza.

​

Inoltre, a partire dalla V25 all'interno del modulo sono disponibili le seguenti statistiche Bayesiane:

  • One Sample e Pair Sample T-test

  • Binomial Proportion test

  • Poisson Distribution Analysis

  • Related Samples

  • Independent Samples T-test

  • Correlazione Pairwise (Pearson)

  • Regressione Lineare

  • One-way ANOVA

  • Regressione Log-Lineare

 

GLM (General Linear Model)

 

  • Descrivere le relazioni tra una variabile dipendente e una serie di variabili indipendenti. I modelli includono: ANOVA (analysis of variance) a effetti fissi, ANCOVA (analysis of covariance), MANOVA (multivariate analysis of variance) e MANCOVA (multivariate analysis of covariance).

  • Utilizzare opzioni di contrasto e progettazione flessibili per valutare i metodi e le varianze e per testare e prevedere i metodi.

  • Associare e confrontare i predittori categorici e continui per sviluppare modelli diversi.

  • Utilizzare LMM (Linear Mixed Models) più precisi per la previsione dei risultati non lineari; ad esempio, quale prodotto si presume acquisterà il cliente, considerando le strutture dei dati gerarchici.

  • Formulare decine di modelli, inclusi progettazione split-plot, modelli multilivello con covarianza a effetti fissi e progettazione di blocchi completi casuale.

 

GENLIN (Generalized Linear Model)

 

  • Fornire un framework unificato che include CLM (Classical Linear Model) con variabili dipendenti distribuite normalmente, modelli logistici e probit, modelli loglineari per il conteggio dei dati e altri modelli di regressione non standard.

  • Applicare più modelli di statistica generali utili, incluse la regressione ordinale, la regressione Tweedie, la regressione Poisson, la regressione Gamma e la regressione binomiale negativa

 

Linear Mixed Model/Hierarchical Linear Model (HLM)

 

  • Modellare metodi, varianze e covarianze nei dati che presentano correlazioni e variabilità non costante, come studenti in classe o consumatori in famiglia.

  • Formulare decine di modelli, inclusi progettazione split-plot, modelli multilivello con covarianza a effetti fissi e progettazione di blocchi completi casuale.

  • Scegliere tra 11 tipi di covarianze non spaziali, incluse quelle indipendenti di primo grado, eterogenee e autoregressive di primo grado.

  • Ottenere risultati più precisi se si utilizzano dati di misure ripetute, incluse situazioni in cui esistono numeri diversi di misurazioni ripetute, intervalli differenti per casi diversi o entrambi.

 

Procedure GEE (Generalized Estimating Equations)

 

  • Estendere le procedure GLM (Generalized Linear Model) per gestire i dati longitudinali correlati e i dati dei cluster.

  • Modellare le correlazioni dei soggetti.

 

GLMM (Generalized Linear Mixed Model)

 

  • Accedere, gestire e analizzare ogni tipo di dataset, inclusi i dati di sopravvivenza, i database aziendali o i dati scaricati dal Web.

  • Gestire la procedura GLMM con valori ordinali per sviluppare modelli più accurati e prevedere risultati non lineari, quali il livello di soddisfazione dei clienti.

 

Procedure di analisi di sopravvivenza

 

  • Scegliere tra una serie flessibile e completa di tecniche per comprendere gli eventi terminali, come percentuali di sopravvivenza, cessazione o errore.

  • Utilizzare le stime Kaplan-Meier per misurare la durata di un evento.

  • Selezionare la regressione di Cox per eseguire la regressione dei rischi proporzionale con variabili dipendenti, quali tempo di risposta o risposta della durata.

Presentazione sulle Statistiche Bayesiane, nuove funzionalità introdotte dalla V. 25

Scheda tecnica Statistics Advanced

bottom of page