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.