SPSS Statistics 24 - Advanced kaufen
140.42

 

Gesamtsumme
inkl. 19 % USt

Anzahl

Preis in €

140,42

Produkt anfragen

IBM SPSS Advanced Statistics ermöglicht präzisere Analyse und Schlussfolgerungen bei der Arbeit mit komplexen Datenbeziehungen, da es leistungsstarke und hoch entwickelte eindimensionale und Multivarianzanalysetechniken zur Verfügung stellt.

Dies könnte Sie auch interessieren

SPSS Statistics 24 - Standard

SPSS Statistics 24 - Standard

SPSS Statistics 24 - Standard

Elementare Analysefunktionalität für eine breite Vielfalt von Unternehmens- und Forschungsfragen. Mehr Details

Download Preisliste Zum Produkt

SPSS Statistics 24 - Premium

SPSS Statistics 24 - Premium

SPSS Statistics 24 - Premium

Umfassende Edition für Großunternehmen mit breit gefächerten Analyseanforderungen. Mehr Details

Download Preisliste Zum Produkt

EViews 10

EViews 10

EViews 10

Im Bereich Ökonometrie ist EViews Ihre erste Wahl! Egal ob lineare Regression, Zeitreihenanalysen mittels ARCH,... Mehr Details

Download Preisliste Zum Produkt

IBM SPSS Statistics - Advanced Statistics

Leistungsstarke Modellierverfahren für die Analyse komplexer Beziehungen

IBM SPSS Advanced Statistics bietet den Benutzern univariate und multivariate Modellierverfahren, mit denen diese bei der Arbeit mit Daten, die komplexe Beziehungen beschreiben, genauere Schlussfolgerungen ziehen können. Diese hoch entwickelten Analyseverfahren werden häufig eingesetzt, um umfassende Erkenntnisse aus Daten zu gewinnen, die in Bereichen wie der medizinischen Forschung, der Fertigung, in der Pharmaindustrie und in der Marktforschung verwendet werden.

SPSS Advanced Statistics bietet Ihnen folgendes Leistungsspektrum:

  • Allgemeine lineare Modelle (General Linear Models, GLM) und Verfahren für heterogene Modelle
  • Generalisierte lineare Modelle (Generalized Linear Models, GENLIN), einschließlich gängiger Statistikmodelle wie der linearen Regression für normal verteilte Antworten, logistischer Modelle für Binärdaten und loglinearer Modelle für Zähldaten
  • Lineare Mischmodelle, auch bekannt als hierarchische lineare Modelle (Hierarchical Linear Models, HLM), mit denen die im GLM-Verfahren verwendeten allgemeinen linearen Modelle erweitert werden, um Daten zu analysieren, die Korrelation und nicht konstante Variabilität aufweisen
  • Verfahren für generalisierte Schätzgleichungen (Generalized Estimation Equations, GEE), die generalisierte lineare Modelle um korrelierte Longitudinal- und Clusterdaten erweitern
  • Generalisierte lineare Mischmodelle (Generalized Linear Mixed Models, GLMM) für die Verwendung mit hierarchischen Daten und einer Vielzahl von Ergebnissen, einschließlich Ordinalzahlen
  • Verfahren für die Überlebensanalyse zur Untersuchung von Lebensdauer- oder Zeitraumdaten

Desktop-Systeme

  Windows® Mac® OS X Linux®
Andere Voraussetzungen DVD-Laufwerk
Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung
Für die Verbindung mit dem SPSS Statistics Base Server, ein Netzwerk Adapter für das TCP/IP Netzwerk Protokoll
Internet Explorer 7, 8,9 oder 10
DVD-Laufwerk
Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung
Webbrowser: Mozilla® Firefox® 20, 21
DVD-Laufwerk
Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung
Webbrowser: Mozilla® Firefox® 20, 21
Betriebssystem Windows XP, Vista, 7, 8, 10 (32-/64-Bit) Mac OS X 10.7 (32-/64-Bit), Mac OS X 10.8 (nur 64-Bit!) Debian 6.0 x86-64, Red Hat Enterprise Linux (RHEL) 5 Desktop Editions, Red Hat Enterprise Linux (RHEL) Client 6 x86-64:
  • Linux (64 bit) kernel 2.6.28-238.e15 oder höher
  • FORTRAN version libgfortran.so.3
  • C++ Version libstdc++.so.6.0.10
Minimum CPU Intel®- oder AMD-x86-Prozessor mit 1 GHz oder mehr Intel-Prozessor (32- und 64-Bit) Intel®- oder AMD-x86-Prozessor mit 1 GHz oder mehr  
Min. RAM 1 GB RAM oder mehr empfohlen 1 GB RAM oder mehr empfohlen 1 GB RAM oder mehr empfohlen
Festplattenplatz Minimum 800 MB freier Speicherplatz auf der Festplatte Minimum 800 MB freier Speicherplatz auf der Festplatte Minimum 800 MB freier Speicherplatz auf der Festplatte

Server-Systeme

  SPSS Statistics Server
Andere Voraussetzungen Für Windows-, Solaris-Computer: Netzwerkadapter mit TCP/IP-Netzwerkprotokoll
Für System z-Computer: OSA-Express3 10 Gigabit Ethernet, OSA-Express3 Gigabit Ethernet, OSA-Express3 1000BASE-T Ethernet
Betriebssystem Windows Server 2008 oder 2012 (64-Bit), Red Hat® Enterprise Linux 5 (auf diversen Rechnerarchitekturen; 64-Bit), SUSE Linux Enterprise Server 10 und 11 (auf diversen Rechnerarchitekturen; 64-Bit)

Details entnehmen Sie bitte der Übersicht System Requirements SPSS Statistics Server 22
Minimum CPU  
Min. RAM 4 GB RAM oder mehr werden empfohlen
Festplattenplatz ca. 1 GB für die Installation. Temporär wird die doppelte Menge Speicherplatz benötigt.

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.