模塊介紹

Base

必需的基礎(chǔ)模塊，管理整個(gè)軟件平臺(tái)，管理數(shù)據(jù)訪問(wèn)、數(shù)據(jù)處理和輸出，并能進(jìn)行很多種常見(jiàn)基本統(tǒng)計(jì)分析?；窘y(tǒng)計(jì)分析功能包括描述統(tǒng)計(jì)和行列計(jì)算，還包括在基本分析中最受歡迎的常見(jiàn)統(tǒng)計(jì)功能，如匯總、計(jì)數(shù)、交叉分析、分類比較、描述性統(tǒng)計(jì)、因子分析、回歸分析及聚類分析等等。

AdvancedStatistics

在分析數(shù)據(jù)時(shí)，除了基本的數(shù)據(jù)分析外，如果還想建立分析過(guò)程數(shù)據(jù)，就需要使用Advanced Models，為順序結(jié)果建立更靈活、更成熟的模型，在處理嵌套數(shù)據(jù)時(shí)得到更精確的預(yù)測(cè)模型，可以分析事件歷史和持續(xù)時(shí)間的數(shù)據(jù)。具體功能包括：廣義線性模型（GZLMS）、廣義估計(jì)方程（GEES）、混合模型、一般線性模型（GLM）、方差成分估計(jì)、MANOVA、Kaplan-Meire 估計(jì)、Cox 回歸、多因子系統(tǒng)模式的對(duì)數(shù)線性模型、對(duì)數(shù)線性模型、生存分析。

Regression

大量的非線性建模工具、多維尺度分析幫助研究人員進(jìn)行非線性回歸分析。它將數(shù)據(jù)從數(shù)據(jù)約束中解放出來(lái)，方便地把數(shù)據(jù)分成兩組，建立可控制的模型及表達(dá)式進(jìn)行非線性模型的參數(shù)估計(jì)，能夠建立比簡(jiǎn)單線性回歸模型更好的預(yù)測(cè)模型。

CustomTables

提供35 種單元和摘要統(tǒng)計(jì)量，能夠更方便地顯示多重序列數(shù)據(jù)，它能串接所有的維度，以在同一表格中顯示包含不同統(tǒng)計(jì)量的各種變量。Tables 用更深入的分析，輕松地處理復(fù)選題與缺失值，用包括所有統(tǒng)計(jì)量、易于理解的表格來(lái)展現(xiàn)分析結(jié)果，通過(guò)完整的表格控制權(quán)，研究人員還可以自制表格，創(chuàng)造優(yōu)美外觀。

DataPreparation

在預(yù)處理數(shù)據(jù)時(shí)輕易地識(shí)別錯(cuò)誤的和無(wú)效的觀測(cè)、變量和數(shù)據(jù)，找出多元的極端值，執(zhí)行數(shù)據(jù)檢驗(yàn)，為建模預(yù)處理數(shù)據(jù)。確認(rèn)可疑的或者殘缺的案例，查看數(shù)據(jù)缺失模式。

MissingValues

缺失數(shù)據(jù)會(huì)帶來(lái)偏差或錯(cuò)誤的分析結(jié)果，簡(jiǎn)單代入法或者簡(jiǎn)單的回歸法都不能正確地填補(bǔ)缺失值，Missing Values Analysis 幫助研究人員在分析過(guò)程中排除數(shù)據(jù)中隱含的偏差，得出更精確的結(jié)論。Missing Values Analysis 用六種靈活的診斷報(bào)告來(lái)評(píng)估缺失值是否會(huì)影響分析結(jié)論，更好地了解它們的特性。

Forecasting

Forecasting是目前功能最強(qiáng)的時(shí)間序列分析工具，是分析歷史資料、建立模型與預(yù)測(cè)未來(lái)事件的強(qiáng)有力的工具，能幫助研究人員做更好的預(yù)測(cè)。Forecasting 利用完備的時(shí)間序列提高預(yù)測(cè)能力，包括多重曲線擬合、平滑以及自回歸方程估計(jì)。

Categories

Categories是優(yōu)秀的對(duì)應(yīng)分析程序，用啟發(fā)性的二維圖和感知圖讓您清晰地看到數(shù)據(jù)中的關(guān)系，使您可以更完整和方便地分析數(shù)據(jù)。Categories 提供非線性主成分分析來(lái)描述數(shù)據(jù)，并用圖標(biāo)清楚地展示數(shù)據(jù)中的關(guān)系，展示并分享動(dòng)態(tài)、交互的分析結(jié)果，讓您從分類數(shù)據(jù)中得到更豐富的信息。

DecisionTrees

DecisionTrees 模塊基于數(shù)據(jù)挖掘中發(fā)展起來(lái)的樹(shù)結(jié)構(gòu)模型對(duì)分類變量或連續(xù)變量進(jìn)行預(yù)測(cè)，可以方便、快速的對(duì)樣本進(jìn)行細(xì)分。它可直接在PASW STATISTICS 內(nèi)做分類區(qū)分，用Syntax 撰寫或用XML 來(lái)儲(chǔ)存設(shè)定。使用ClassificationTrees 還可建立決策樹(shù)來(lái)確認(rèn)分組并預(yù)測(cè)結(jié)果，利用直覺(jué)式的樹(shù)形圖，顏色分類圖，和表格協(xié)助研究人員輕松確認(rèn)和評(píng)估區(qū)隔。

DirectMarketing

DirectMarketing 主要用來(lái)處理市場(chǎng)直銷中的一些分析需求。目前提供RFM 客戶評(píng)分，客戶分群，目標(biāo)客戶輪廓概括，客戶響應(yīng)評(píng)分，不同營(yíng)銷行為響應(yīng)測(cè)量等模型。將直銷中常用的分析定制為不同的模塊，市場(chǎng)研究人員可藉由Direct Marketing 模塊，以簡(jiǎn)單的方式進(jìn)行簡(jiǎn)易直覺(jué)的分析，鎖定高價(jià)值顧客，來(lái)進(jìn)行各種營(yíng)銷分析。

ComplexSample

如果使用了特別復(fù)雜的抽樣方案，該模塊可以計(jì)算復(fù)雜樣本的統(tǒng)計(jì)數(shù)據(jù)，得到更精確的結(jié)果。它擁有專門的規(guī)劃工具和統(tǒng)計(jì)方法，提供各種向?qū)?lái)制定取樣方案或詳細(xì)定義樣本，并提供專門的技術(shù)來(lái)解決樣本設(shè)計(jì)以及相伴標(biāo)準(zhǔn)誤差，能夠減少得出錯(cuò)誤或誤導(dǎo)性推論的風(fēng)險(xiǎn)。

Conjoint

SPSSConjoint 是包含三個(gè)相互關(guān)聯(lián)過(guò)程的一個(gè)系統(tǒng)，用于進(jìn)行全特征聯(lián)合分析。聯(lián)合分析使研究人員了解消費(fèi)者的偏好，或在一定產(chǎn)品屬性及其水平條件下的產(chǎn)品評(píng)定。聯(lián)合分析考慮研究時(shí)應(yīng)包括的產(chǎn)品屬性、考慮屬性水平、產(chǎn)品卡片的數(shù)量，用正交設(shè)計(jì)生成一個(gè)包含適量產(chǎn)品卡片的正交主效果片段因子設(shè)計(jì)。

NeuralNetworks

神經(jīng)網(wǎng)絡(luò)是一種模擬人類大腦處理信息的方式的簡(jiǎn)化算法模型。通過(guò)多個(gè)神經(jīng)元層的輸入輸出運(yùn)算給出一個(gè)判斷結(jié)果。

Bootstrapping

Bootstrapping模塊可以讓您更有效的使用小樣本量的數(shù)據(jù)，通過(guò)數(shù)據(jù)自身重采用的功能，讓用戶可以模擬大樣本情況下的采樣結(jié)果，從而對(duì)數(shù)據(jù)結(jié)構(gòu)特征和偏差有更直接的認(rèn)識(shí)。

ExactTests

為了確定現(xiàn)有變量之間的關(guān)系，研究人員經(jīng)常首先查看交叉表和非參數(shù)檢驗(yàn)中的p-值。本模塊提供超過(guò)30個(gè)精確檢驗(yàn)涵蓋了小型或大型數(shù)據(jù)集所有的非參數(shù)和分類數(shù)據(jù)問(wèn)題。包括獨(dú)立或相關(guān)樣本的單樣本、兩樣本和K-樣本檢驗(yàn)，擬合度檢驗(yàn)，RxC列聯(lián)表獨(dú)立性檢驗(yàn)和聯(lián)合測(cè)度檢驗(yàn)等。

Amos

結(jié)構(gòu)方程模型