IBM Software Business Analytics IBM SPSS Advanced Statistics 22 IBM SPSS Advanced Statistics Analice de forma más precisa relaciones complejas Logre análisis más precisos y obtenga conclusiones más seguras con los procedimientos diseñados para ajustarse a las características inherentes de los datos que describen relaciones complejas. IBM SPSS Advanced Statistics cuenta con un potente conjunto de sofisticadas técnicas analíticas univariadas y multivariadas para problemas del mundo real como: Características • Construya modelos flexibles utilizando varias opciones para la construcción de modelos • Obtenga modelos predictivos más precisos utilizando un amplio rango de técnicas de modelo • Identifique efectos aleatorios • Analice resultados utilizando varios métodos • Investigación médica – Análisis de tasas de supervivencia de pacientes • Manufactura – Evaluación de procesos de producción • Industria farmacéutica – Informe de resultados de pruebas para organizaciones oficiales • Investigación de mercados – Determine el nivel de interés en sus productos Acceso a un amplio rango de poderosos modelos Tenga acceso a un amplio rango de potentes modelos Además del Modelo Lineal General (GLM), la mezcla de procedimientos de modelos, el Modelo Lineal Generalizado (GENLIN) y los Procedimientos Generalizados de Estimación de Ecuaciones (GEE) IBM SPSS Advanced Statistics ofrece Modelos Lineales Mixtos Generalizados (GLMM). Los modelos lineales mixtos generalizados incluyen un amplio rango de modelos, desde una simple regresión lineal hasta modelos multinivel complejos para datos longitudinales anormales. El procedimiento GLMM produce modelos más precisos al predecir resultados no lineales (como por ejemplo, qué productos los clientes comprarán) considerando estructuras de datos jerárquicos (por ejemplo, clientes anidados en una organización). GENLIN incluye los modelos estadísticos más utilizados, como regresión lineal para respuestas con distribución normal, modelos logísticos para datos binarios, y modelos loglineales para datos de frecuencia. Este procedimiento también ofrece muchos modelos estadísticos útiles a través de su formulación general de modelos como: regresión de Poisson, regresión Gamma y regresión negativa binomial. GEE extiende los modelos lineales generalizados para acomodar datos longitudinales correlacionados y datos segmentados. IBM Software Business Analytics GENLIN y GEE proveen un marco común para las siguientes salidas: • Numérica: Regresión lineal, análisis de varianza, análisis de covarianza, análisis de medias repetidas y regresión Gamma • Datos de frecuencia: Modelos loglineales, regresión logística, regresión probit, regresión de Poisson, regresión binomial negativa • Datos ordinales: Regresión ordinal • Datos de ensayo/evento: Regresión logística • Datos de reclamos: Regresión inversa de Gauss • Combinación de variables discretas y continuas: Regresión Tweedie • Respuestas correlacionadas con sujetos: GEE o modelos de respuestas correlacionadas Obtenga modelos predictivos más precisos trabajando con una estructura de datos anidada Los modelos lineales mixtos mejoran las capacidades del Modelo Lineal General utilizado en el procedimiento GLM, pudiendo así analizar datos que muestran correlación y variabilidad no constante. Los modelos lineales mixtos le permiten hacer modelos no sólo de medias sino de varianzas y covarianzas de sus datos. La flexibilidad del procedimiento le facilita formular una gran variedad de modelos, incluyendo modelos ANOVA de efectos fijos, diseño de bloques completamente aleatorios, diseño split-plot, modelo de efectos puramente aleatorios, modelo de coeficiente aleatorio, análisis multinivel, modelo lineal de crecimiento incondicional, modelo lineal de crecimiento con covarianza de Pearson, análisis de medidas repetidas, análisis de medidas repetidas con covarianza dependiente del tiempo. Trabajar con diseños de medida repetida, incluyendo medidas repetidas incompletas en las cuales el número de observaciones varía para los distintos sujetos. IBM SPSS Advanced Statistics 22 Construya modelos flexibles El procedimiento de Modelo Lineal General (GLM) ofrece más flexibilidad para describir las relaciones entre una variable dependiente y un conjunto de variables independientes. Entre los modelos que se encuentran en la regresión lineal están: ANOVA, ANCOVA, MANOVA y MANCOVA. GLM incluye también funciones para medidas repetidas, modelos mixtos, pruebas post-hoc y pruebas post-hoc para medidas repetidas, cuatro tipos de sumas de cuadrados, comparaciones por pares de medias marginales esperadas, tratamiento complejo de celdas perdidas y la opción de guardar las matrices de diseño y los archivos de efectos. Aplique modelos más sofisticados Utilice IBM SPSS Advanced Statistics cuando los datos no se ajusten a las hipótesis que requieren técnicas más simples. IBM SPSS Advanced Statistics cuenta con análisis loglineal y loglineal jerárquico para modelar tablas multifactoriales. El análisis general loglineal le facilita el análisis de las frecuencias de las observaciones de cada una de las categorías en una tabla de contingencia. Usted puede seleccionar hasta diez factores para definir las celdas de la tabla. La información modelada y la bondad del ajuste de los estadísticos aparecen automáticamente en pantalla. Muestra una gran variedad de estadísticos y gráficos con capacidad de guardar los residuos y valores predichos en el archivo de datos. Analice datos históricos y datos de duración Puede analizar tiempo de vida o duración para comprender eventos terminales, como fallo de un componente, muerte o supervivencia. IBM SPSS Advanced Statistics incluye los procedimientos de supervivencia Kaplan-Meier y la regresión de Cox, el estado del arte en procedimientos de supervivencia. Utilice las estimaciones de KaplanMeier para calibrar la duración de un suceso; y la regresión de Cox para ejecutar una regresión del modelo de riesgos proporcionales con el tiempo de respuesta (o duración de la respuesta) como variable dependiente. Estos procedimientos junto con el análisis de tablas de mortalidad proporcionan un conjunto de técnicas flexibles y completas para el trabajo con datos de supervivencia. IBM Software Business Analytics IBM SPSS Advanced Statistics 22 Obtenga un valor adicional con colaboración GENLIN y GEE Compartir y re-utilizar sus activos eficientemente, protegerlos de forma tal que se cumplan requerimientos internos y externos, y publicar resultados para que varios usuarios pueden visualizarlos e interactuar con ellos es posible con IBM® SPSS® Collaboration and Deployment Services. Los procedimientos GENLIN proveen un marco unificado que incluye modelos lineales clásicos con distribución normal de la variable dependiente, logística y modelos probit para datos binarios y modelos loglineal para datos de frecuencia, así como otros modelos no estándar de tipo regresión. Los procedimientos GEE extienden el modelo lineal generalizado a datos longitudinales correlacionados y a datos segmentados. Específicamente el modelo GEE se correlaciona con sujetos. • Beneficios para el usuario: - Salidas continuas: regresión lineal, análisis de varianza, análisis de covarianza, análisis de medidas repetidas y regresión Gamma - Datos ordinales: regresión ordinal - Datos de frecuencia: modelo loglineal, regresión logística, regresión probit, regresión Poisson, regresión negativa binomial - Datos de ensayo/evento: regresión logística - Datos de reclamos: regresión inversa Gaussiana - Combinación de variables discretas y continuas: regresión de Tweedie - Respuestas correlacionadas con sujetos: GEE o modelos de respuestas correlacionadas • El subcomando MODEL es utilizado para efectos específicos, una variable de ponderación o compensación si existe, la distribución de probabilidad y la función de enlace: - Ofrece una opción para incluir o excluir el término de intersección - Especifica una variable de acomodación o fija la acomodación a un número - Especifica una variable que contenga valores de peso Omega para la escala de parámetro - Le permite al usuario escoger entre las siguientes distribuciones de probabilidad: binomial, Gamma, Gaussian inversa, binomial negativa, normal y Poisson - Ofrece las siguientes funciones de enlace: log-log complementario, identidad, log, complemento log, logit, binomial negativo, log-log negativo, poder de odds, probit y log cumulativo • El subcomando CRITERIA controla el criterio estadístico para modelos lineales generalizados y especifica la tolerancia numérica para revisar singularidad. Provee opciones para especificar: - El tipo de análisis para cada efecto de modelo: tipo I, tipo III o ambos - Un valor por iteración inicial para revisar separaciones completas o casi completas - El nivel del intervalo de confianza para coeficientes estimados y medias marginales estimadas Características Modelos Lineales Mixtos Generalizados (GLMM) GLMM amplía el modelo lineal para que: 1) el objetivo lineal sea realacionado a los factores y covarianzas a través de una función de vinculación específica; 2) el objetivo pueda tener distribución anormal y; 3) las observaciones puedan ser correlacionadas. • Realice el procedimiento GLMM con valores ordinales para modelos más precisos al predecir resultados no lineales • Especifique la estructura el objeto para mediciones repetidas y cómo las medidas de error repetidas son correlacionadas • Elija entre 8 tipos de covarianza • Especifique el objetivo, las compensaciones opcionales y las ponderaciones opcionales del análisis (regresión) • Elija entre las siguientes distribuciones de probabilidad: binomial, gamma, Gaussiana inversa, multinomial, binomial negativa, normal, Poisson • Elija entre las siguientes funciones de vinculación: identidad, complemetario log-log, vinculación log, log complementaria, logit, negativa log-log, power, probit • Especifique (opcional) los efectos de los modelos fijos, incluyendo intercept • Especifique los efectos aleatorios en el modelo mixto • Despliegue las ponderaciones marginales estimadas de los objetivos para todos los niveles de combinaciones de un conjunto de factores • Guarde un archivo que contenga el modelo de ponderación • Escriba campos temporales opcionales en el conjunto de datos activos IBM Software Business Analytics - Matriz de covarianza para parámetros estimados: estimador basado en el modelo, o estimador robusto - El criterio de convergencia Hessiana - Valor inicial para parámetros estimados - Forma de la función log-probabilidad - Número máximo de iteraciones para la estimación de parámetros y log-probabilidad - Número máximo de pasos en el método de pasoreducción - Método para la estimación de parámetros del modelo: método de Fisher o método NewtonRaphson - Criterio de parámetro de convergencia - Método para ajustar el parámetro de escala: probabilidad máxima, desviación, Pearson, Chicuadrado, o ajustar a un número - Valor de tolerancia usado para evaluar singularidad • El subcomando REPEATED especifica la estructura matricial para la correlación trabajada utilizada para estimaciones de ecuaciones generalizadas para modelos de correlación con sujetos y criterios de control estadístico en el algoritmo basado en la no probabilidad de ajuste iterativo. Provee opciones para especificar lo siguiente: - El sujeto interno o el tiempo del efecto - Estructura de la matriz de correlación: matriz de correlación de trabajo independiente, AR(1) matriz de correlación de trabajo, matriz de correlación de trabajo intercambiable, matriz de correlación de trabajo ajustable, matriz de correlación de trabajo mdependiente, matriz de correlación de trabajo no estructurada - Ajustar o no el estimado de la matriz de correlación de trabajo por el número de parámetros no redundantes - Usar estimador robusto o el estimador basado en el modelo o el parámetro de estimación de la matriz de covarianza para la estimación de ecuaciones generalizadas - El criterio de convergencia Hessiana para ecuaciones estimadas generalizadas - Máximo de iteraciones - Parámetro relativo o absoluto del criterio de convergencia - El número de iteraciones entre actualizaciones de la matriz de correlación de trabajo - Mostrar la media marginal estimada de la variable dependiente para todos los niveles de combinación de un grupo de factores IBM SPSS Advanced Statistics 22 • El subcomando EMMEANS muestra loas medias marginales estimadas de la variable dependiente para todos los niveles de combinación de un grupo de factores. Ofrece la opción para especificar lo siguiente: - Las celdas para las cuales se muestra la media marginal estimada - Los valores de covarianza para usar cuando se está calculando la media marginal estimada - Computar o no la media marginal estimada basada en la escala original de la variable dependiente o en la transformación de la función de enlace - El factor o grupo de factores cruzados, el nivel o niveles de combinación, los cuales están comparados usando el tipo de contraste especificado usando la palabra CONTRAST - El tipo de contraste a utilizar para los niveles del factor o niveles de combinación de los factores cruzados, usando la palabra COMPARE. Los siguientes tipos de contraste están disponibles: pareada, desviación, diferencia, Helmert, polinomial, repetida y simple - El método de ajuste del nivel de significancia utilizado en las pruebas de contraste: diferencia menos significativa, Bonferroni, Bonferroni secuencial, Sidak y Sidak secuencial • El subcomando MISSING especifica cómo son manejados los valores perdidos El subcomando PRINT ofrece opciones para mostrar lo siguiente: matriz de correlación para estimar parámetros, matriz de covarianza para estimar parámetros, resumen de casos procesados, estadísticos descriptivos, bondad de ajuste, función estimable general, historia de iteración, multiplicador de Lagrange, grupo de coeficientes de matrices de contraste (L), información del modelo, parámetros estimados y estadísticos correspondientes, resumen de modelos estadísticos, matriz de correlación de trabajo • El subcomando SAVE ofrece opciones para guardar lo siguiente, en el archivo de los datos de trabajo: valores predichos por el predictor lineal, error estándar estimado del valor predicho para el predictor lineal, valor predicho para la media de las respuestas, intervalo de confianza para la media de las respuestas, valor promedio, raíz residual, residual de Pearson, desviación residual, desviación residual estándar, probabilidad residual y distancia de Cook IBM Software Business Analytics • El subcomando OUTFILE ofrece opciones para guardar lo siguiente en un archivo externo: la matriz de parámetro de correlación y otros estadísticos en un conjunto de datos de Statistics. La matriz del parámetro de covarianza y otros estadísticos en un conjunto de datos de Statistics y el parámetro de covarianza en un archivo XML GENLIN: verifica el subcomando HCONVERGE después de la correlación aún cuando no se especifica MIXTOS Los modelos lineales mixtos mejoran el Modelo Lineal General utilizado en el procedimiento GLM, así puede analizar datos que muestran correlación y variabilidad no constante. • Comprende los modelos siguientes: - Modelo ANOVA de efectos fijos, diseño de bloques completamente aleatorios, diseño de splitplot, modelo de efectos puramente aleatorios, modelo de coeficiente aleatorio, análisis multinivel, modelo lineal de crecimiento incondicional, modelo lineal de crecimiento con covariables a nivel individuo, análisis de medidas repetidas, análisis de medidas repetidas con covarianza dependiente del tiempo • Posibilidad de ponderar las frecuencias o las regresiones • Seis estructuras de covarianzas: auto regresivo de primer orden, simetría compuesta, Huynh-Feldt, identidad, no estructurado y componentes de la varianza • Once tipos de covarianzas no espaciales: antidependencia de primer orden, heterogénea, auto regresivo de primer orden, ARIMA (1,1), de simetría heterogénea compuesta, de simetría compuesta con parameterización y correlación, diagonal, factor analítico de primer orden, Toeplitz, Toeplitz heterogéneo y correlaciones no estructuradas • Elija CRITERIA para el control del algoritmo iterativa utilizado en la estimación y especifique la tolerancia numérica para probar la singularidad: nivel del intervalo de confianza, criterio de convergencia de la función de máximo verosimilitud, máximo número de iteraciones, criterio de convergencia de parámetros estimados (absoluta y relativa, máxima división por pasos permitida, aplicación del algoritmo de calificación y valores empleados como tolerancia para contrastar la singularidad IBM SPSS Advanced Statistics 22 • Especificación de los efectos fijos en el modelo mixto: sin ordenar en el origen, sumas de cuadrados (tipo I y III) • Especificación de los efectos aleatorios: identificación de los sujetos, estructura de la covarianza (auto regresivo de primer orden, simetría compuesta, Huynh-Feldt, identidad, componentes de la varianza no estructurada) • Atendiendo al tipo de covarianza que se especifique, los efectos aleatorios especificados en el subcomando RANDOM deben estar correlacionados • Métodos de estimación: máxima verosimilitud, máxima verosimilitud restringida • Opciones de impresión: matriz de correlaciones asintóticas de los parámetros estimados de los efectos fijos, matriz de covarianzas asintóticas de los parámetros estimados de los efectos fijos, resumen de los casos procesados, estadísticos descriptivos, matriz de covarianzas estimadas de efectos aleatorios, historial de iteraciones, funciones estimables, matriz de covarianzas estimadas de los residuos, soluciones para los efectos fijos y aleatorios, y pruebas de covarianza para parámetros • Subcomando REPEATED para especificar la matriz de covarianza de los residuos en el modelo de efectos mixtos: identificar los sujetos y estructura de la covarianza (auto regresivo de primer orden, simetría compuesta, Huynh-Feldt, identidad, no estructurado, componentes de la varianza) • Guarda los valores fijos pronosticados, valores pronosticados, residuos • Subcomando TEST para personalizar pruebas de hipótesis especificando directamente hipótesis nulas como combinaciones lineales de los parámetros - Divisor para los coeficientes de los efectos aleatorios • Guardo los errores estándar de predicción • Subcomando MEANS para los efectos fijos, que muestra la media marginal estimada en las celdas de las variables dependientes y sus errores estándar para los factores especificados IBM Software Business Analytics GLM Describe la relación entre una variable dependiente y un grupo de variables independientes • Pruebas de falta de ajuste uni y multivariante • Modelo de regresión • ANOVA, ANCOVA, MANOVA y MANCOVA de efecto fijo • ANOVA y ANCOVA aleatorio o mixto • Medidas repetidas: uni o multivariante • Diseño multivariante Doubly • Cuatro tipos de sumas cuadradas • Método de parameterización completo para estimar parámetros en el modelo • Contrastes de hipótesis lineales generales para los parámetros del modelo Escribe una matriz de varianza o correlación de las estimaciones de parámetros del modelo en un archivo matricial • Diagramas: de dispersión Vs. Nivel residual y perfil • Los diálogos de las medidas repetidas GLM ofrecen la opción “ningún contraste” que no tiene efecto en los resultados • Pruebas post-hoc para media observadas de las celdas: Student-Newman-Keuls; prueba de diferencia honestamente significativa de Tukey; la b de Tukey; método de comparaciones múltiples de Duncan basado en el contraste de rango de student; prueba t de Scheffé de comparaciones múltiples; prueba t de Dunnett unilateral (compara si la media a cualquier nivel es menor que la de la categoría de referencia); prueba t de Dunett bilateral (compara si la media de cualquier nivel es mayor que la de la categoría de referencia); prueba t de Bonferroni; prueba t de diferencia mínima significativa; prueba t de Sidak, GT2 de Hochberg; prueba de comparaciones de pares de Gabriel basados en el contraste de módulo máximo student; método de múltiples pasos de Ryan-EinotGabriel-Welsch basados en la prueba F; método de múltiples pasos de Ryan-Einot-Gabriel-Welsch basados en la prueba del rango student; T2 de Tamhane, T3 de Dunnett, juegos y prueba Howell de comparaciones de pares basados en la prueba del rango student; C de Dunnett; prueba t de Waller-Duncan • Término de error especificado por el usuario en el análisis post-hoc • Medias marginales de población estimadas para medias de celdas pronosticadas IBM SPSS Advanced Statistics 22 • Guarda variables temporales en el archivo activo: valores pronosticados no estandarizados, valores pronosticados, valores pronosticados ponderados, residuos no estandarizados, residuos no estandarizados ponderados, residuos eliminados, residuos tipificados, residuos student, errores estándar de predicción, distancia de Cook, valores no centrados de influencia • Números fraccionarios en los subcomandos LMATRIX, MMATRIX y KMATRIX • Comparaciones por pares de media marginales esperadas • Prueba de hipótesis lineales de un efecto frente a una combinación lineal de efectos • Opción de almacenamiento de las matrices de diseño • Contrastes: desviación, simple, diferencia, Helmert, polinomial y repetida • Impresión: estadísticos descriptivos, prueba de homogeneidad de la varianza, estimación de parámetros, Eta2, función general estimable, contraste de falta de ajuste, potencia observada de cada prueba, matrices de coeficientes de contrastes (L) VARCOMP Estimación de los componentes de la varianza • Métodos de estimación: ANOVA MINQUE, máxima verosimilitud (ML) y máxima verosimilitud restringida (REML) • Sumas de cuadrados de tipo I y III con el método ANOVA • Elección de métodos de ponderación cero o uniforme • Elección de métodos de cálculo ML y REML: método de puntuación de Fisher o Newton-Raphson • Guarda las estimaciones de los componentes de varianza y las matrices de covarianza • Criterio de especificación: iteraciones, convergencia, valores Epsilon como tolerancia empleados para comprobar la singularidad • Impresión: medias esperadas al cuadrado, iteraciones, suma de cuadrados IBM Software Business Analytics SURVIVAL Análisis de tablas de supervivencia • Tablas de supervivencia para grupos individuales • Longitudes de intervalos variables • Diagramas: distribución de supervivencia acumulada en escala logarítmica o lineal, función de impacto, función de densidad • Comparaciones de subgrupo • Diagrama de uno-menos la función de supervivencia • Variables de estado que indican si el suceso ocurrió realmente para la observación • Impresión de tablas de supervivencia • Cálculo de comparación de subgrupos: exactas, aproximadas, condicional, pareada y comparada • Opción de escribir tablas de supervivencia de los registros de los datos y archivos de los nombres de los registros LOGLINEAR Modelos generales de tablas de contingencia multifactoriales (sólo sintaxis) • Estimación por máxima verosimilitud • Modelos: saturado, particiones de un solo grado de libertad jerárquicas o no jerárquicas, modelos logit • Frecuencias observadas y esperadas • Residuos tipificados y no tipificados • Estimaciones de parámetros • Ponderación de celdas y especificación de cero estructural • Diagramas de residuos corregidos frente a frecuencias observadas y esperadas • Diagramas con probabilidad normal y sin tendencias de residuos corregidos • Razón de verosimilitud y Chi-cuadrado de Pearson • Contrastes: desviación, diferencia, Helmert, simple, repetida, polinomial y especial HILOGLINEAR Modelos loglineales jerárquicos para tablas de contingencia multifactoriales • Métodos de entrada simultánea y eliminación regresiva • Impresión: frecuencias y residuos • Estimaciones de parámetros y asociaciones parciales para modelos saturados • Especificación de criterios: convergencia, máximo de iteraciones, probabilidad de Chi-cuadrado para el modelo y número máximo de pasos IBM SPSS Advanced Statistics 22 • Especificación de ponderaciones de celdas y orden máximo de los términos • Diagramas de residuos tipificados frente a frecuencias observadas y esperadas • Diagramas con probabilidad normal de residuos tipificados • Tablas pivote de resultados GENLOG Ajusta los modelos loglineal y logit con datos de frecuencia por medio de un modelo lineal generalizado (GLM) • Ajusta dos modelos: estimación de máxima verosimilitud bajo el modelo loglineal de Poisson y modelos loglineales multinomiales • Exponencial de Beta • El método GLM permite tratar datos no organizados • Especificación de la estructura de celdas • Especificación del diseño de los modelos con la sintaxis del modelo GLM • Admite ceros estructurales • Impresión de estadísticos de bondad de ajuste Chicuadrado • Pruebas generalizadas para el logaritmo de la razón de ventajas que comprueba si los ratios de log-odds son iguales a cero, e imprime los intervalos confidenciales • Estadísticos de celdas que incluyen la frecuencia esperada: residuo tipificado; residuo no tipificado, corregido y de la desviación • Incluye funciones de residuos generalizados • Diagramas de diagnóstico que incluyen diagramas de dispersión de alta resolución y diagramas con probabilidad normal de estadísticos de residuos • Impresión de estimaciones de parámetros, junto con correlaciones y covarianzas de las estimaciones • Almacenamiento de los residuos, residuos estandarizados, residuos ajustados, residuos desviados, valores pronosticados Criterio de especificación, intervalo de confianza, iteraciones, convergencia, Delta, valores Epsilon como tolerancia en la prueba de singularidad IBM Software Business Analytics IBM SPSS Advanced Statistics 22 KAPLAN-MEIER REGRESION DE COX Estimación de la duración de un evento con los métodos de estimación de Kaplan-Meier • Definición de factores y estratos • Diagrama: funciones de impacto acumulado, supervivencia acumulada y logarítmica • Presentación de casos marcados y censurados • Almacenamiento de variables en un archivo: número de eventos acumulados, error típico, función de supervivencia • Presentación de estadísticos: eventos acumulados y supervivencia acumulada, media y mediana de los tiempos con error típico, números bajo riesgo, percentiles, error típico • Pruebas de igualdad de distribuciones de supervivencia: Breslow, longrank y Tarone • Especificación de un componente de tendencia para niveles de factor con una métrica • Diagrama de uno menos la función de supervivencia • Variables de estado para indicar si el evento sucedió para la observación • Especificación de los estratos dentro de las categorías de los factores • Comparación de las distribuciones de supervivencia para los diferentes niveles del factor: comparación de todos los niveles en una única prueba; comparación de cada par de niveles del factor; prueba estadística en todos los estratos, comparación de los niveles de los factores en cada uno de los estratos Riesgos proporcionales con covariables dependientes del tiempo • Contrastes: igual que para la regresión logística • Definición de estratos para estimar funciones de base independientes • Métodos: por pasos regresivos y progresivo, entrada directa • Diagramas: supervivencia acumulada, impacto, diagramas log-menos-log para cada estrato • Eliminación de variables: cambio en razón de verosimilitud condicional, Wald • Almacenamiento de variables en un archivo: funciones de línea base con sus errores típicos, función de impacto acumulada, cambio en Beta, función de supervivencia log-menos-log, residuos, función de supervivencia • Diagrama de uno menos la función de supervivencia • Variables de estatus para indicar si el evento sucedió para la observación • Especificación de los predictores ordinales o nominales • Impresión: resultado completo de la regresión incluyendo el modelo estadístico para las variables (tanto dentro de la ecuación como fuera), resumen de la información, matriz de covarianzas/correlaciones de los parámetros estimados para las variables del modelo; tablas de las líneas base, intervalos de confianza para exponencial de Beta • Criterio: cambio en los parámetros estimados al acabar con las iteraciones; máximo número de iteraciones, porcentaje de cambio en la razón de máxima verosimilitud de las iteraciones finales, probabilidad de las puntuaciones de los estadísticos de las variables de entrada, probabilidad de Wald, estadístico LR o condicional LR para mover variables • Especificación del modelo de los valores de la covarianza utilizados en los diagramas y tablas de coeficientes • Almacenado en archivos externos de SPSS: coeficientes en el modelo final IBM Software Business Analytics IBM SPSS Advanced Statistics 22 Sobre IBM SPSS Business Analytics Requerimientos del sistema Los requerimientos varían según la plataforma. Encuentre los requerimientos del sistema para su sistema operativo en: ibm.com/software/analytics/spss/products/statistics/ requirements El software de IBM SPSS Business Analytics le proporciona conocimiento a través de sus datos que le ayuda a las organizaciones a trabajar de manera más inteligente y a superar a sus competidores. Este portafolio incluye soluciones para inteligencia de negocios, análisis predictivo, administración de decisiones, del desempeño y del riesgo. Las soluciones Business Analytics le permiten a las empresas identificar y visualizar tendencias y patrones en áreas como análisis de clientes, la cual tiene un efecto importante en el desempeño de los negocios. Podrá comparar escenarios, anticipar amenazas potenciales y oportunidades, realizar una mejor planeación de presupuestos y pronóstico de recursos, balancear el riesgo contra los ingresos esperados y trabajar para alcanzar los requerimientos regulatorios. Al hacer el análisis más disponible, las empresas alinean el proceso de decisión táctico y estratégico para alcanzar los objetivos del negocio. © Copyright IBM Corporation 2012 IBM Corporation Software Group Route 100 Somers, NY 10589 IBM, the IBM logo, ibm.com and SPSS are trademarks of International Business Machines Corporation registered in many jurisdictions worldwide. Other product and services names might be trademarks of IBM or other companies. A current list of IBM trademarks is available on the Web at “Copyright and trademark information” at www.ibm.com/legal/copytrade.shtml BeSmart, antes AMSS Mardoqueo Fernández 207 Providencia | Santiago F: +56 224153478 M: conversemos@besmart.cl The content in this document (including currency or printing references which exclude applicable taxes) is current as of the initial date of publication and may be changed by IBM at any time. Not all offerings are available in every country in which IBM operates. THE INFORMATION IN THIS DOCUMENT IS PROVIDED “AS IS” WITHOUT ANY WARRANTY, EXPRESS OR IMPLIED, INCLUDING WITHOUT ANY WARRANTIES OF MERCHANT ABILITY, FITNESS FOR A PARTICULAR PURPOSE AND ANY WARRANTY OR CONDITION OF NON-INFRIGEMENT. IBM products are warranted according to the terms and conditions of the agreements under which they are provided.