> Modelos lineares generalizados (GENLIN): O GENLIN não cobre somente modelos estatísticos mais utilizados, como regressão linear para respostas distribuídas normalmente, modelos logísticos para dados binários e modelos loglinear para frequência de dados, mas também muitos modelos estatísticos úteis através da sua formulação geral de modelos. A suposição de independência, no entanto, proíbe modelos lineares generalizados de serem aplicados a dados correlacionados.

> Estimação de equações generalizada (GEE): O GEE estende modelos lineares generalizados para acomodar dados longitudinais correlacionados e dados agrupados

> Modelos gerais de tabelas de contingência (LOGLINEAR)

> Modelos Loglineares hierárquicos para tabelas de contigência (HILOLINEAR)

> Modelos loglineares e logito para frequência de dados por médias de modelos lineares generalizados (GENLOG)

> Procedimentos para análise de sobrevivência:
> Regressão de Cox com covariáveis temporais dependentes
> Kaplan-Meier
> Tabelas de Vida

> Modelos lineares mistos generalizados (GLMM) - Permite modelos mais precisos ao prever resultados não lineares (por exemplo, qual produto um cliente está propenso a comprar) levando em conta estruturas de dados hierárquicos (clientes aninhados com uma empresa). Modelos de Efeitos Mistos fornecem uma ferramenta poderosa e flexível para análises de dados hierárquicos/agrupados, se esses dados forem categóricos ou continuos. Alguns exemplos de análises são: dados de medidas repetidas, estudos longitudinais e desenhos agrupados. Esse procedimento pode produzir uma variedade de tipos de resultados.

> Visualizações interativas que permitem uma explicação mais intuitiva dos preditores do modelo e dos resultados.

Usando o IBM SPSS Advanced Statistics com o IBM SPSS Statistics Base você terá uma ampla variedade de técnicas estatísticas, assim você poderá alcançar respostas ainda mais precisas para todos os tipos de dados. Você pode trabalhar sem problemas no ambiente IBM SPSS Statistics.

Procedimentos IBM SPSS Advanced Statistics

O IBM SPSS Advanced Statistics continua oferecendo os procedimentos a seguir:

> Modelos lineares gerais (GLM) - Fornece maior flexibilidade para descrever o relacionamento entre uma variável dependente e um grupo de variáveis independentes. O GLM oferece design flexível e opções de contraste para estimar médias e variâncias e para testar e prever médias. Você também pode misturar e combinar preditores categóricos e contínuos para construir modelos. Como o GLM não se limita a um único tipo de dados, você tem opções que proporcionam possibilidades valiosas de construção de modelos.

> Modelos lineares mistos, também conhecido como modelos lineares hierárquicos (HLM)

> Análise de variância com efeito fixo (ANOVA), análise de covariância (ANCOVA), análise de variância multivariada (MANOVA) e análise de covariância multivariada (MANCOVA)
> ANOVA e ANCOVA aleatória ou mista
> ANOVA e MANOVA de medidas repetidas
> Estimação do componente de variância (VARCOMP)

O procedimento modelos lineares mistos amplia o procedimento Modelos lineares gerais usados no procedimento GLM, assim você pode analisar dados que apresentam correlações e variabilidade não? constante. Se você trabalha com dados que apresentam correlação e variabilidade não constante, como dados que representam estudantes agrupados em salas de aulas ou consumidores agrupados em famílias, use o procedimento modelos lineares mistos para modelar médias, variâncias e covariâncias nos seus dados.

Essa flexibilidade significa que você pode formular dezenas de modelos incluindo desenho Split-plot, modelos multiníveis com covariâncias de efeitos fixos, e desenhos de blocos completos randomizados. Você pode também selecionar a partir de 11 tipos de covariâncias não espacial, incluindo antedependência de primeira ordem, auto regressivo de primeira ordem e heterogêneo. Você alcançará modelos preditivos mais precisos porque ele leva em conta a estrutura hierárquica dos seus dados.

Você ainda pode usar modelos lineares mistos se estiver trabalhando com dados de medidas repetidas, incluindo situações nas quais há diferentes números de medidas repetidas, diferentes intervalos para diferentes casos, ou ambos. Ao contrário dos métodos padrão, os modelos lineares mistos usam todos os dados para obter resultados mais precisos.