通用線性模型 (GLM)

• 描述因變量與一組自變量之間的關系。模型包括線性回歸、方差分析 (ANOVA)、協方差分析 (ANCOVA)、多變量方差分析 (MANOVA) 和多變量協方差分析 (MANCOVA)。

• 使用靈活的設計與對比選項，估算平均值和方差，并測試和預測平均值。

• 混合并匹配分類預測因素和連續預測因素，以構建模型，從眾多模型構建可能性中進行選擇。

• 預測非線性結果（例如，客戶可能購買什么商品）時，通過考慮分層和嵌套數據結構，使用線性混合模型獲得更為準確的結果。

• 用公式表示數十個模型，包括裂區實驗設計（split-plot design）、具有固定效應協方差的多層統計分析模型（multi-level models with fixed-effects covariance）和完全隨機區組設計（randomized complete blocks design）。

廣義線性模型 (GENLIN)

• 提供一個統一的框架，包含因變量服從正態分布的經典線性模型、針對二元數據的 logistic 模型和 probit 模型、針對計數數據的對數線性模型，以及各種其他非標準的回歸類型的模型。

• 應用眾多實用的常規統計模型，包括序數回歸、Tweedie 回歸、Poisson 回歸、Gamma 回歸和負二項回歸線性

混合模型/分層線性模型 (HLM)

• 可對帶有相關性和非恒定可變性的數據的平均值、方差和協方差進行建模，如歸屬于教室中的學生（students nested within classrooms）或歸屬于家庭中的消費者（consumers nested within families）。

• 用公式表示數十個模型，包括裂區實驗設計、具有固定效應協方差的多層模型和完全隨機區組設計。

• 從 11 個非空間協方差類型中選擇，包括 first-order ante-dependence、heterogeneous 和一階自回歸。

• 在與重復測量數據一起使用時獲得更準確的結果，包括不同數目的重復測量和/或不同個例的不同時間間隔的情況。

廣義估計方程 (GEE) 程序

• 擴展廣義線性模型，使其適用于關聯的縱向數據和聚類數據。

• 對象中的模型關聯

廣義線性混合模型 (GLMM)

• 訪問、管理和分析幾乎任何類型的數據集，包括調研數據、企業數據庫或從 Web 下載的數據。

• 采用序數值運行 GLMM 程序，以在預測非線性結果（例如，客戶滿意度處于低、中還是高水平）時，構建更準確的模型。

生存分析程序

• 從靈活全面的一組技術中進行選擇，以了解零件故障率、死亡率或存活率等終止事件。

• 使用 Kaplan-Meier 估算對事件的時間長度加以測量。

• 選擇 Cox 回歸執行比例風險回歸，以響應時間（time-to-response）或療效持續時間（duration response）作為因變量。

SPSS Advanced Statistics 截屏

線性混合模型的估算平均值

GLMM 提供估算的邊際均值，用于說明預測變量的影響。

廣義線性混合模型的模型摘要

GLMM 模型摘要展示了模型與數據的擬合程度。

廣義線性混合模型可視化

GLMM 提供了模型的可視表示，您可以直觀看到每個預測因素的強弱。在本示例中，promo 變量對銷售影響最大。

參數估算表

這是用于計算總體模型影響和個別模型影響的傳統參數估算表。各系數顯示了每個模型參數與測試后得分之間的關系。對于連續字段，系數表示連續字段值中的單位增量的測試得分可能發生的變化。對于分類字段，該系數表示相對于參考字段的參考類別，測試得分可能發生的變化。