[Skip Global Navigation]

Bienvenue sur le site de SPSS Maghreb
SPSS Modèles Avancés

Analysez les relations complexes avec des fonctions de modélisation avancées

Obtenez une analyse plus précise et des conclusions plus fiables grâce à des statistiques adaptées aux données décrivant des relations complexes. SPSS Advanced Statistics* offre un vaste ensemble de techniques analytiques performantes, univariées et multivariées, qui résolvent des problèmes réels, par exemple :

  • Recherche médicale — Analyse du taux de survie des patients
  • Secteur de l'industrie — Evaluation des processus de production
  • Secteur pharmaceutique — Soumission des résultats de tests
  • Etudes de marché — Détermination des niveaux d'intérêt pour le produit

Evaluez une vaste gamme de modèles performants

En complément aux modèles linéaires généraux (ou GLM pour General Linear Models) et aux procédures associées aux modèles mixtes, SPSS Advanced Statistics offre maintenant des modèles linéaires généralisés (ou GENLIN) et des équations d'estimation généralisées (GEE). GENLIN inclut des modèles statistiques largement utilisés tels que la régression linéaire pour les réponses distribuées normalement, des modèles logistiques pour les données binaires et des modèles loglinear pour les données numériques. Grâce à sa formulation de modèle très générale, cette procédure offre également de nombreux modèles statistiques utiles tels que la régression ordinale, la régression Tweedie, la régression Poisson, la régression Gamma et la régression binomiale négative.

Les procédures GEE étendent les modèles linéaires généralisés aux données longitudinales corrélées et aux données en cluster.

Les procédures GENLIN et GEE fournissent une structure commune pour les résultats suivants :

Numériques : régression linéaire, analyse de variance, analyse de covariance, analyse de mesures répétées et régression GammaDonnées de fréquence : modèles loglinear, régression logistique, régression probit, régression Poisson et régression binomiale négativeDonnées de fréquence : modèles loglinear, régression logistique, régression probit, régression Poisson et régression binomiale négativeDonnées ordinales : régression ordinaleDonnées des déclarations de sinistre : régression Gaussian inverseCombinaison de résultats discrets et continus : régression TweedieRéponses corrélées dans des sujets : GEE ou modèles de réponse corrélées

Obtenez des modèles prédictifs plus précis en travaillant avec des données à structure imbriquée

La procédure des modèles mixtes linéaires s'appuie sur les modèles utilisés dans la procédure GLM pour analyser les données à corrélation et à variabilité non constante. Cette procédure permet de modéliser des moyennes mais également des variances et des covariances dans les données.

La souplesse de la procédure permet de formuler toute une variété de modèles, dont des modèles ANOVA à effets fixes, des plans expérimentaux en blocs aléatoires complets, des plans de split-plot, des modèles à effet purement aléatoire, des modèles à coefficient aléatoire, des analyses multiniveaux, des modèles à croissance linéaire inconditionnelle, des modèles à croissance linéaire avec covariables au niveau de la personne, des analyses à mesures répétées et des analyses à mesures répétées avec covariables à dépendance chronologique. Travaillez avec des plans à mesures répétées, incluant des mesures répétées incomplètes dans lesquelles le nombre d'observations varie d'un sujet à l'autre.

Construisez des modèles flexibles

La procédure GLM permet de décrire la relation entre une variable dépendante et un ensemble de variables indépendantes. Les modèles incluent la régression linéaire, ANOVA, ANCOVA, MANOVA, et MANCOVA. La procédure GLM prend également en charge les mesures répétées, les modèles mixtes, les tests post hoc et les tests post hoc pour mesures répétées, quatre types de sommes de carrés et des comparaisons au niveau des paires des moyennes marginales prévues ainsi que la gestion sophistiquée des cellules manquantes et la possibilité d'enregistrer les matrices de plan et les fichiers d'effets.

Appliquez des modèles plus sophistiqués

Utilisez SPSS Advanced Statistics lorsque vos données ne se conforment pas aux hypothèses requises par les techniques plus simples. SPSS Advanced Statistics offre une analyse loglinear et loglinear hiérarchique pour la modélisation de tableaux à plusieurs critères de classification pour les données numériques. La procédure d'analyse loglinear générale permet d'analyser le nombre d'occurrences pour les observations correspondant à chaque catégorie de classification croisée dans un tableau de dépendance ou de contingence. Vous pouvez sélectionner jusqu'à 10 facteurs pour définir les cellules d'un tableau. Les informations de modèle et les statistiques d'ajustement sont affichées automatiquement. Affichez toute une variété de statistiques et de tracés ou enregistrez les valeurs résiduelles et prévues dans le fichier des données de travail.

Analysez l'historique des événements et les données de durée

Vous pouvez examiner les données de durée de vie ou de durée pour comprendre les événements terminaux, tels que la défaillance d'une pièce ou la survie d'un patient. SPSS Advanced Statistics inclut la régression Kaplan-Meier et Cox et des procédures d'analyse de survie. Utilisez les estimations Kaplan-Meier pour juger de la durée d'un événement et la régression de Cox pour exécuter la régression de risque proportionnelle avec, comme variable indépendante, le temps jusqu'à la réponse ou réponse en termes de durée. Ces procédures avec les analyses de tables de survie, fournissent un ensemble complet de techniques flexibles pour travailler avec vos données de survie.
SPSS Advanced Statistics peut être installé en tant que logiciel client uniquement, mais, pour de meilleures performances et afin d'assurer son évolutivité, vous pouvez également l'utiliser dans une configuration client/serveur, avec SPSS Statistics Server.

Téléchargement brochure SPSS modèles avancés