Capacidade de Simulação

Esta técnica da IBM SPSS Staistics ajuda analistas a modelar automaticamente vários resultados possíveis quando entradas são incertas, melhorando análise de risco e tomadas de decisão, utilizando tais procedimentos:

> Técnicas de Monte Carlo fornecem capacidade de simular dados de acordo com os parâmetros que você especificar, e então usar os dados simulados como entrada para prever um resultado.
> Os parâmetros utilizados podem ser modificados para simular os dados e comparar resultados.
> Especificações para uma simulação podem ser salvos em um arquivo de plano de simulação.
> Simulações podem ser executadas por meio de especificações de um arquivo de simulação de plano carregado. Os usuários também podem fornecer especificações de interface do usuário e executar a simulação da interface.

Tabelas personalizadas

O IBM SPSS Statistics Standard permite explorar seus dados rapidamente. Em seguida você pode criar tabelas personalizadas para ajudar a entender melhor seus dados e apresentar seus resultados facilmente.

Esteja pronto para tarefas analíticas diárias com o IBM SPSS Statistics Standard e consiga resultados de maneira rápida e fácil.

Com o IBM SPSS Statistics Standard, você pode explorar rapidamente seus dados, formular hipóteses para criar testes e então realizar um número de procedimentos para ajudar a esclarecer relações entre variáveis, criar segmentos, identificar tendências e fazer previsões. As principais capacidades incluem:

Modelos lineares

O IBM SPSS Statistics Standard apresenta uma variedade de procedimentos de regressão e estatística avançada criados para atender as características inerentes dos dados descrevendo relações complexas, incluindo:

> Modelo Linear Geral (GLM)
> Modelo Linear Misto Generalizado (GLMM)
> Modelo Linear Hierárquico (HLM)
> Modelo Linear Generalizado (GENLIN)
> Equações de Estimação Generalizadas (GEE)

Modelos Não-Lineares

Você também pode aplicar modelos mais sofisticados aos seus dados usando uma vasta gama de modelos de regressão não-linear, usando esses procedimentos:

> Regressão Logística Multinomial (MLR) - Prevê resultados categóricos com mais de duas características
> Regressão Logística binária - Classifique seus dados em dois grupos facilmente
> Regressão Não-linear (NLR) e regressão não-linear com restrição (CNLR) - Estima parâmetros de modelos não-lineares
> Análise de Probitos - Avalia o valor de estímulos usando uma  transformação logito ou probito da proporção de resposta