SPSS Statistics - Advanced

Desktop-Systeme

Server-Systeme

Allgemeine lineare Modelle (General Linear Models, GLM)

• Beschreiben Sie die Beziehung zwischen einer abhängigen Variable und einer Reihe von unabhängigen Variablen. Zu den Modellen zählen lineare Regression, Varianzanalyse (ANOVA), Kovarianzanalyse (ANCOVA), multivariate Varianzanalyse (MANOVA) und multivariate Kovarianzanalyse (MANCOVA).
• Nutzen Sie flexible Entwurfs- und Kontrastoptionen, um Durchschnitte und Varianzen zu schätzen sowie Durchschnitte zu testen und zu prognostizieren.
• Kombinieren Sie kategoriale und kontinuierliche Prädiktoren nach Belieben, um Modelle zu erstellen. Dabei können Sie aus vielen Möglichkeiten zur Modellerstellung wählen.
• Nutzen Sie lineare Mischmodelle, die höhere Genauigkeit bei der Vorhersage nicht linearer Ergebnisse (z. B. wahrscheinliche Käufe eines Kunden) ermöglichen, indem hierarchische und verschachtelte Datenstrukturen berücksichtigt werden.
• Formulieren Sie Dutzende Modelle, darunter Split-Plot-Design, mehrstufige Modelle mit Festeffekt-Kovarianz und randomisierte Designs mit vollständigen Blöcken.

Generalisierte lineare Modelle (Generalized Linear Models, GENLIN)

• Ein vereinheitlichendes Framework umfasst klassische lineare Modelle mit normal verteilten abhängigen Variablen, Logistik- und Probit-Modelle für Binärdaten, loglineare Modelle für Zähldaten sowie verschiedene weitere Nichtstandardmodelle des Regressionstyps.
• Sie können viele nützliche allgemeine Statistikmodelle anwenden, z. B. ordinale Regression, Tweedie-Regression, Poisson-Regression, Gamma-Regression und negative Binominalregression.

Lineare Mischmodelle/hierarchische lineare Modelle (Hierarchical Linear Models, HLM)

• Modellieren Sie Durchschnitte, Varianzen und Kovarianzen in Daten, die Korrelation und nicht konstante Variabilität aufweisen, z. B. Schüler in Klassenzimmern oder Verbraucher in Familien.
• Formulieren Sie Dutzende Modelle, darunter Split-Plot-Design, mehrstufige Modelle mit Festeffekt-Kovarianz und randomisierte Designs mit vollständigen Blöcken.
• Wählen Sie aus elf nicht raumbezogenen Kovarianztypen, einschließlich Ante-Dependenz der ersten Ordnung, heterogen und autoregressiv der ersten Ordnung.
• Sie erhalten genauere Ergebnisse, wenn Sie mit Messwiederholungsdaten arbeiten, so z. B. bei Situationen, in denen wiederholte Messungen unterschiedliche Zahlen ergeben oder es in unterschiedlichen Fällen verschiedene Intervalle gibt oder beides.

Verfahren für generalisierte Schätzgleichungen (Generalized Estimation Equations, GEE)

• Erweitern Sie generalisierte lineare Modelle um korrelierte Longitudinal- und Clusterdaten.
• Modellieren Sie Korrelationen innerhalb von Subjekten.

Generalisierte lineare Mischmodelle (Generalized Linear Mixed Models, GLMM)

• Sie können auf Datasets praktisch jeder Art zugreifen, sie verwalten und analysieren, einschließlich Umfragedaten, Unternehmensdatenbanken oder aus dem Web heruntergeladene Daten.
• Führen Sie das GLMM-Verfahren mit ordinalen Werten aus, um genauere Modelle aufzubauen, wenn nicht lineare Ergebnisse prognostiziert werden, z. B. Einordnung der Kundenzufriedenheit in die niedrige, mittlere oder hohe Kategorie.

Verfahren für die Überlebensanalyse

• Wählen Sie aus einer flexiblen, umfassenden Palette von Verfahren aus, die der Gewinnung von Informationen über Terminalereignisse dienen, z. B. Teileschaden, Todesfall- oder Überlebensraten.
• Nutzen Sie Kaplan-Meier-Schätzungen, um die Zeitdauer eines Ereignisses zu messen.
• Wählen Sie die Cox-Regression aus, um eine proportionale Risikoregression mit der Zeitdauer bis zur Antwort oder der dauerbezogenen Antwort als abhängiger Variable durchzuführen.