STATISTICA Pokročilé lineární a nelineární modely Cz - Obecné analytické nástroje - Produkty - STATSOFT CR

STATISTICA Pokročilé lineární/nelineární modely je doplněk, který obsahuje nejširší škálu pokročilých lineárních a nelineárních modelovacích nástrojů, jaké jsou dnes na trhu dostupné. Podporuje spojité prediktory i kategorizované prediktory, interakce, hierarchické modely, možnosti automatické volby modelu, komponenty rozptylu, časové řady a mnoho dalších metod. Všechny analýzy mají rozsáhlou grafickou podporu a jsou vybavené možností psaní skriptů ve vestavěném Visual Basicu. Obsahuje následující moduly:

Komponenty rozptylu a smíšená ANOVA/ANCOVA

Modul komponent rozptylu slouží pro analýzu modelů s náhodnými faktory s mnoha úrovněmi; možnosti pro zpracování náhodných efektů a pro odhad rozptylu poskytuje také modul Obecné lineární modely. Náhodné faktory se často vyskytují v průmyslovém výzkumu, kde úrovně faktorů představují vzorkovaná data náhodné proměnné (na rozdíl od faktorů volených účelově experimentátorem). Modul umožňuje analyzovat modely s libovolnou kombinací stálých vlivů, náhodných vlivů a kovariancí. Lze účinně analyzovat i extrémně velké ANOVA/ANCOVA modely. Faktory mohou mít několik set úrovní. Program analyzuje jak standardní faktorové modely, tak i hierarchicky vnořené modely a počítá standardní analýzu variance Typu I, II a III součtů čtverců a průměru čtverců vlivů v modelu. Dále lze počítat tabulku očekávaných průměrů čtverců, komponenty variance pro náhodné vlivy modelu, koeficienty pro syntézu jmenovatele, kompletní ANOVA tabulku s testy založenými na syntetizovaných součtech čtverců chyb a stupňů volnosti (Satterthwaiteovou metodou). Modul podporuje i další metody pro odhad komponent variance (např. MIVQUE0, ML nebo REML). Pro odhad maximální věrohodnosti se používá jak Newton-Raphsonův, tak i Fisherův skórovací algoritmus. K dispozici je rovněž několik možností pro zkoumání vážených a nevážených marginálních průměrů a odpovídajících intervalů spolehlivosti. K vizualizaci výsledků jsou k dispozici rozsáhlé grafické prostředky.

Analýza přežívání, analýza poruch

Modul obsahuje rozsáhlou množinu technik pro analýzu cenzurovaných dat z oblasti sociálního, biologického a lékařského výzkumu, ale i procedury užívané v inženýrství a marketingu (např. kontrola kvality, odhady spolehlivosti atd.). Kromě výpočtu "životních" tabulek s různými popisnými statistikami a limitními odhady Kaplan-Meierovými může uživatel srovnávat funkce přežívání pro různé skupiny použitím velké nabídky metod (včetně Gehanova testu, Coxova "f-testu", Cox-Mantelova testu, Log-rank testu a Petova zobecněného Wilcoxonova testu). Lze počítat Kaplan-Meierovy grafy pro skupiny (necenzorovaná pozorování jsou v grafu rozlišena odlišnými bodovými značkami). Program obsahuje výběr procedur pro testování funkcí přežívání (včetně exponenciální, Gompertzovy, Weibullovy a funkce lineárního hazardu) založených na metodách vážených či nevážených nejmenších čtverců. Nakonec program nabízí plnou implementaci čtyř obecných testovacích modelů (Coxův model proporcionálního hazardu, exponenciální regresní model, log-normální a normální regresní modely) s rozšířenými diagnostikami včetně stratifikované analýzy a grafů přežívání pro uživatelem specifikované hodnoty prediktorů. V případě Coxova modelu proporcionálního hazardu může uživatel zvolit rozvrstvení vzorku za účelem spočtení různých základních hazardů na různých vrstvách. K dispozici jsou obecné prostředky pro definování jedné nebo více časově závislých kovariancí. Časově závislé kovariance lze definovat prostřednictvím vloženého interpretu vzorců, který umožňuje vkládat aritmetické výrazy obsahující jak časové, tak i standardní logické funkce, např. timdep=age+age*log(t_)*(age>45), (kde t_ označuje čas přežívání). Modul rovněž nabízí rozsáhlý soubor grafických prostředků a specializovaných diagramů usnadňujících interpretaci výsledků.

Obecné nelineární odhady (a rychlá logit/probit regrese)

Modul nelineárních odhadů umožňuje uživateli testovat v podstatě libovolný typ nelineárního modelu. Jedním z jedinečných rysů tohoto modulu je skutečnost, že (na rozdíl od tradičních programů pro nelineární odhady) neklade žádné limity na velikost datových souborů určených ke zpracování.

Metody odhadování. Modely lze prokládat metodou nejmenších čtverců, metodou maximální věrohodnosti nebo příslušnou uživatelem specifikovanou funkcí. Při použití kritéria nejmenších čtverců mohou být pro odhad parametrů libovolné lineární nebo nelineární regrese použity velice efektivní algoritmy Levenberg-Marquardt nebo Gauss-Newton. Pro rozsáhlé soubory dat nebo obtížné problémy nelineární regrese jsou právě tyto metody doporučované pro výpočet přesných odhadů parametrů. Při použití libovolné ztrátové funkce má uživatel možnost volby mezi čtyřmi rozdílnými, velice výkonnými funkcemi odhadů (quasi-Newtonova, Simplexová, Hooke-Jeevesova a Rosenbockova vyhledávací metoda rotujících souřadnic), takže se lze dobrat ke stabilním odhadům parametrů prakticky ve všech situacích.

Modely. Uživatel může specifikovat libovolný model zápisem příslušné funkce pomocí editoru rovnic. Funkce mohou obsahovat logické operátory, takže lze testovat i nekontinuální regresní modely a modely obsahující umělé proměnné. Funkce mohou dále obsahovat i širokou škálu distribučních funkcí a kumulativních distribučních funkcí: (Beta, binomického, Cauchyho, Chi-kvadrát, exponenciálních, extrémních hodnot, F, Gamma, geometrického, Laplaceova, Logistického, normálního, Log-Normálního, Paretova, Poissonova, Rayleighova, t (Studentova) nebo Weibullova rozdělení). Modul dovoluje uživateli nastavovat všechny parametry postupu odhadu (např. počáteční hodnoty, velikost kroku, kritéria konvergence atd.). Nejčastěji užívané nelineární modely jsou předdefinovány a lze je jednoduše vybrat z nabídky možností. Regresní modely zahrnují probitový a logitový krokový regresní model, exponenciální regresní model a lineární postupnou regresi s usekáváním.

Výsledky. Spolu s různými popisnými statistikami obsahují standardní výsledky nelineárních odhadů pomocí parametrických odhadů a jejich standardní chyby (počítané nezávisle na samotném odhadu), varianční a kovarianční matice odhadů parametrů, předpovídané hodnoty, residua a příslušné míry testu shody. Předpovězené a residuální hodnoty lze připojit k datovému souboru pro potřeby další analýzy. Pro modely Probit a Logit se proložení také počítá automaticky při přidávání nebo odstraňování parametrů z regresního modelu.

Grafy. Všechny výstupní hodnoty jsou propojeny s širokým výběrem grafů, včetně interaktivně nastavitelných 2D a 3D povrchových grafů prokládané funkce, které umožňují znázornit kvalitu odhadu a identifikovat mezní hodnoty nebo intervaly neshod mezi modelem a daty. Uživatel má možnost interaktivně upravovat rovnici prokládané funkce a vizualizovat prakticky všechny aspekty odhadu. Kaskádu vizuálních výsledků lze uložit nebo zkombinovat s protokolem. K dispozici je i mnoho dalších speciálních grafů pro studium procesu odhadu a znázornění výsledků, např. histogramy všech zvolených proměnných a residuálních hodnot, bodové grafy pozorovaných versus předpovězených hodnot, grafy rozložení residuí a další.

Log-lineární analýza kontingenčních tabulek

Modul obsahuje kompletní implementaci log-lineárních modelovacích procedur pro vícerozměrné tabulky četnosti. Uživatel může analyzovat až sedmi rozměrné tabulky jedním chodem programu. Lze analyzovat jak úplné, tak neúplné tabulky (se strukturálními nulami). Kontingenční tabulky lze sestavit z řádkových dat nebo je lze zapsat přímo do programu. Modul poskytuje rozsáhlý výběr pokročilých modelovacích postupů v interaktivním a flexibilním prostředí, které značně ulehčuje průzkumné a potvrzující analýzy komplexních tabulek. V každém okamžiku práce má uživatel možnost studovat kompletní vyšetřovanou tabulku stejně jako marginální tabulky a testované (očekávané) hodnoty, může testovat všechny parciální a marginální asociační modely nebo vybírat specifické modely (marginální tabulky) pro testování na pozorovaných datech. Program rovněž nabízí inteligentní automatickou proceduru výběru modelu, která nejprve spočítá potřebný řád interakcí požadovaný pro testování modelu na datech a poté, zpětnou eliminací určí nejvhodnější model, který uspokojivě odpovídá testovaným datům (při užití kritérií stanovených uživatelem). Standardní výstup obsahuje G-kvadrát,(maximálně věrohodný (Chi-kvadrát), standardní Pearsonův Chi-kvadrát s příslušnými stupni volnosti a hladinami významnosti, pozorované a očekávané tabulky, marginální tabulky a další statistiky. Grafické prostředky dostupné v modulu zahrnují množství 2D a 3D grafů určených pro vizualizaci dvourozměrných a vícerozměrných tabulek četnosti (včetně interaktivních, uživatelem ovládaných kaskád kategorizovaných histogramů a 3D histogramů znázorňujících řezy vícerozměrnými tabulkami) a mnoho dalších.

Analýza časových řad/predikce

Modul časových řad obsahuje široký výběr popisných, modelovacích, rozkladových a předpovědních metod pro modely v časové i spektrální oblasti. Metody jsou integrované, tzn. že výsledky jedné analýzy (např. ARIMA residua) lze přímo použít v následných analýzách (např. výpočet autokorelací residuí). K dispozici jsou rovněž četné flexibilní prostředky pro studium a zobrazení jednotlivých nebo vícenásobných řad. Analýzy lze provádět i na velmi dlouhých řadách. Vícenásobné řady lze zpracovávat v "aktivní pracovní oblasti" programu, (např. vícenásobné řady vstupních dat nebo řady, které jsou výsledkem různých stádií analýzy), řady lze studovat a porovnávat. Program si pamatuje postup následných analýz a udržuje deník transformací a ostatních výsledků. To umožňuje vrátit se kdykoliv k předchozí transformaci nebo porovnat (a vykreslit) původní řadu a její transformaci. Informace o jednotlivých transformacích je zaznamenávána pomocí dlouhých názvů proměnných, takže uživatel může uložit nově vytvořené proměnné do souboru dat a "historie" každé řady je přesto zachována. Následující odstavce popisují jednotlivé procedury modulu časových řad.

Transformace, modelování, grafy, autokorelace. Dostupné transformace časových řad umožňují plně vyšetřovat zákonitosti vstupních řad a provádět všechny běžné transformace, včetně: centrování, odstranění autokorelace, vyhlazení metodou klouzavých průměrů (vážených a nevážených, uživatelsky definovaných nebo s váhami Daniella, Tukeyho, Hamminga, Parzena či Bartletta), vyhlazení klouzavým mediánem, jednoduché exponenciální vyhlazení, diferencování, integrování, tvorba residuí, posunu, "4253H" vyhlazení, zúžení, Fourierovy (a inverzní) transformace a dalších. Rovněž lze provést autokorelační, parciální autokorelační a křížovou korelační analýzu.

ARIMA a (intervenční) analýza přerušovaných časových řad. Modul časových řad umožňuje kompletní využití ARIMA metody. Modely mohou obsahovat konstantu a řady lze před analýzou transformovat; transformace budou automaticky "odstraněny" před výpočtem ARIMA předpovědí, takže předpovědi a jejich standardní chyby budou vztaženy k hodnotám původní vstupní řady. Lze spočítat přibližné i přesné maximálně věrohodné podmíněné součty čtverců. Implementace metody v modulu "časových řad" je zejména vhodná pro modely s dlouhými sezónními obdobími (např. období 30 dnů). Standardní výsledky zahrnují odhady parametrů a jejich standardní chyby a korelace parametrů. Lze spočítat a vykreslit předpovědi a jejich standardní chyby. Výsledky lze připojit k původním řadám. Navíc jsou dostupné početné možnosti pro zkoumání ARIMA reziduí, včetně velkého množství grafů. Implementace modulu časových řad umožňuje také provádět analýzu přerušených časových řad. Dá se modelovat několik současných intervencí, které mohou být jednoparametrové, dvouparametrové nebo dočasné. Pro všechny modely intervencí se dají vytvořit predikce, které se dají vykreslit spolu s původními daty, a také připojit k původní sérii.

Sezónní a nesezónní exponenciální vyhlazení. V modulu časových řad je k dispozici všech 12 běžných exponenciálních vyhlazovacích funkcí. Lze stanovit, že model má obsahovat aditivní nebo multiplikativní sezónní komponent a (nebo) lineární, exponenciální nebo tlumený trend; dostupné modely zahrnují populární Holt-Winterův lineární model. Uživatel může specifikovat počáteční hodnotu pro vyhlazovací transformaci, počáteční hodnotu trendu a sezónní faktory (kde je to vhodné). Pro trend a sezónní komponenty lze specifikovat separátní vyhlazovací parametry. Uživatel může identifikovat nejlepší parametry průzkumem mřížky parametrů; tabulka výsledků obsahuje všechny kombinace hodnot parametrů: směrodatnou odchylku, absolutní odchylku, součet čtverců chyb, rozptyl, procentní odchylku a absolutní procentní odchylku. Nejmenší hodnota těchto indikátorů shody je v tabulce zvýrazněna. Uživatel může rovněž požadovat automatické vyhledání nejlepších parametrů. Pro následnou analýzu poskytuje program výsledky příslušných exponenciálních transformací, residuí a požadovaný počet předpovědí. K ocenění přiměřenosti zvoleného exponenciálního vyhlazovacího modelu slouží součtový graf zobrazující původní řady spolu s vyhlazenými řadami a předpověďmi a s křivkou vyhlazovacích residuí, vykreslenou odděleně proti pravé y-ose.

Klasická sezónní dekompozice (Census Method I). Modul umožňuje volit délku periody sezóny a vybrat mezi aditivním nebo multiplikativním modelem. Program spočítá klouzavé průměry, podíly nebo diference, sezónní faktory, sezónně upravené řady, komponenty vyhlazeného trendového cyklu a neregulární komponentu. Tyto komponenty jsou k dispozici pro další analýzu; například lze dále sestavovat histogramy, grafy normálního rozložení atd. pro kteroukoliv z těchto komponent (nebo pro všechny najednou) a tak testovat přiměřenost modelu.

X-11 Měsíční a čtvrtletní sezónní dekompozice a sezónní přizpůsobení (Census Method II). Modul časových řad obsahuje plnou implementaci procedury Census Method II, varianta Census X-11. Uspořádání možností a dialogů plně odpovídá definicím a konvencím popsaným v dokumentaci "Výboru pro Census". Lze specifikovat aditivní nebo multiplikativní sezónní modely. Uživatel může volit faktor "prior trading-day" a faktory sezónního přizpůsobení. Varianci faktoru "trading-day" lze odhadnout pomocí regrese (pro extrémní pozorování) a poté ji použít pro přizpůsobení řady (podmíněně, je-li to žádoucí). K dispozici jsou standardní prostředky pro odstupňování extrémních pozorování, výpočet sezónních faktorů a výpočet komponent cyklu trendu (uživatel může volit mezi různými typy vážených průměrů; program je však schopen sám vybrat optimální délky a typy pohyblivých průměrů). Vypočtené finální komponenty (sezónní, cyklických trendů, neregularity) a sezónně přizpůsobené řady jsou automaticky dostupné pro další analýzy a grafické zpracování. Rovněž lze tyto komponenty uložit pro další analýzu jinými programy. Program vytváří grafy jednotlivých komponent včetně grafů kategorizovaných po měsících (nebo čtvrtletích).

Modely s polynomickým zpožděním. Implementace modelů s polynomickým zpožděním v modulu časových řad umožňuje provádět testování modelů s neomezeným zpožděním stejně jako modelů typu "Almon"s omezeným zpožděním. K dispozici je výběr grafů usnadňující studium distribucí modelových proměnných.

Spektrální (Fourierova) a křížová spektrální analýza. Modul časových řad obsahuje úplnou implementaci spektrální (Fourierovy) analýzy a různé techniky křížové analýzy. Program je zejména užitečný pro analýzu neobvykle dlouhých časových řad (např. řad s více než 250 000 pozorováními) a neklade žádná omezení na délku řad (délka řad nemusí být násobkem 2). Uživatel však má možnost před provedením analýzy řady doplnit nebo zkrátit. Standardní předběžné transformace zahrnují zúžení, odečtení průměru a centrování. Pro jednoduchou spektrální analýzu se počítá frekvence, perioda, koeficienty sinu a cosinu, hodnoty pro frekvenční graf a odhady spektrální hustoty. Odhady hustoty lze počítat pomocí váhového koeficientu Danielliho, Hamminga, Bartletta, Tukeye, Parzena nebo uživatelem definovaného. Užitečná, zejména pro dlouhé vstupní řady, je možnost zobrazit pouze uživatelem definovaný počet hodnot z frekvenčního grafu nebo hustotní funkce v sestupném třídění; tak lze snadno nalézt nejvýznačnější část frekvenčního průběhu nebo vrchol hustoty i v nejdelších řadách. Uživatel může počítat Kolmogorov-Smirnovův "d" test pro hodnoty frekvenčního grafu a tak zjišťovat, jestli průběh odpovídá exponenciálnímu rozložení (neboli jestli vstupní řada nereprezentuje bílý šum) Pro sumarizaci výsledků jsou k dispozici četné typy grafů; lze znázornit koeficienty sinu a cosinu, hodnoty frekvenčního grafu, hodnoty spektrální hustoty a hustotu versus frekvenci, periodu nebo log-periodu a další. Pro dlouhé vstupní řady lze volit segment, pro který bude frekvenční graf nebo hustotní funkce znázorněna a tak zvýšit rozlišení a tím i vypovídací hodnotu grafu. U křížové analýzy program kromě výše uvedeného počítá křížové frekvenční grafy (reálnou a imaginární část), co-spektrální hustotu, spektrum kvadratury, křížovou amplitudu, hodnoty koherence, hodnoty zisku a fázové spektrum. Všechny tyto výsledky lze opět zobrazit proti frekvenci, periodě nebo log-periodě buď pro celý průběh nebo pouze pro vybranou část. Stejně jako u jednoduché spektrální analýzy lze vybrat pouze část spočítaných hodnot a ty zobrazit v sestupném třídění, aby bylo možné identifikovat význačné body i u delších řad. Všechny výsledky spektrální analýzy jsou jako obvykle použitelné pro zpracování v dalších modulech programu STATISTICA.

Techniky předpovědí založené na výpočtu regrese. STATISTICA nabízí regresně orientované techniky časových řad pro zpožděné i nezpožděné proměnné (včetně regresí od počátku, nelineárních regresí a interaktivních podmínkových ("what-if") předpovědí.

Modelování pomocí strukturálních rovnic a analýza cesty (SEPATH)

Tento modul obsahuje rozsáhlou implementaci technik strukturálního modelování s flexibilními prostředky pro simulaci typu Monte Carlo. SEPATH modul je nejmodernější verze tohoto postupu s inteligentním uživatelským rozhraním. Nabízí obsáhlý výběr modelovacích procedur integrovaných s unikátními uživatelskými nástroji, které umožňují specifikovat i velmi složité modely bez nutnosti užívat nějakou předepsanou syntaxi příkazů. Prostřednictvím "průvodců" a dalších nástrojů může uživatel definovat analýzu pomocí jednoduchých funkčních termínů volených z panelů nabídek či dialogových oken (není tedy zapotřebí zvládat složitý programovací či příkazový jazyk, jako u ostatních programů tohoto typu). SEPATH je kompletní implementace, zahrnující četné pokročilé prostředky. Modul dokáže analyzovat korelační, kovarianční a momentové matice, všechny modely lze sestavovat pomocí "průvodců". Modul počítá příslušné směrodatné odchylky pro standardizované modely a pro modely sestavené pro testovací korelační matice. Sada výsledků zahrnuje množinu diagnostických statistik včetně standardních indexů shody a necentrovaných indexů shody zcela v souladu s posledními výzkumy z oblasti strukturálního modelování. Uživatel může testovat modely proti vícenásobným vzorkům (skupinám) a pro každou skupinu může specifikovat pevné, volné nebo omezené (shodné pro celou skupinu) parametry. Při analýze momentových matic tak má uživatel možnost testovat komplexní hypotézy pro strukturované průměry v různých skupinách. Dokumentace modulu obsahuje podrobný popis četných příkladů včetně příkladů potvrzující faktorové analýzy, a dalších.

Simulace SEPATH Monte Carlo. Modul strukturálního modelování (SEPATH) obsahuje i výkonný předdefinovaný simulační model Monte Carlo . Uživatel může generovat (a ukládat) datové soubory pro předdefinované modely založené na normálních nebo zešikmených rozloženích. Lze počítat distribuce pro nejrůznější diagnostické statistiky, odhady parametrů a další prostřednictvím testů Monte Carlo . Pro vizualizaci výsledků je k dispozici množství grafických prostředků.

Algoritmus NIPALS (PCA/PLS)

Implementace špičkového algoritmu pro provádění analýzy hlavních komponent (PCA) a částečných nejmenších čtverců (PLS) dokáže odhalit systematické odchylky, vztahy a informace v datových souborech. Algoritmus NIPALS zjednodušuje analýzy zvláště v případě vysoké dimenze dat, při velkém počtu proměnných. STATISTICA NIPALS je vhodná mimo jiné k diagnostice dat, je ideální doplněk pro kontrolu jakosti v mnoha oborech vědy a výroby, například ve farmaceutickém, biochemickém průmyslu či výrobě polovodičů. Modul je také vhodně doplněn grafickými prostředky.

Obecné lineární modely (GLM)

Modul STATISTICA Obecné lineární modely umí provádět analýzu jedné nebo více spojitých závislých proměnných jako funkci jedné nebo více kategorizovaných nebo spojitých nezávislých proměnných. GLM je nejen výpočetně nejrozvinutější nástroj pro tvorbu obecných lineárních modelů, který je na trhu dostupný, ale nabídne vám také nejobsáhlejší a nejúplnější sadu možností, grafů, souvisejících statistik a rozšířených diagnostik, než kterýkoli jiný program. GLM nepřipouští žádné kompromisy - byl navržen tak, aby se vypořádal i s tzv. "kontroverzními problémy GLM", jejichž řešení není triviální ani jednoznačné. GLM spočte všechny standardní výsledky, včetně tabulek ANOVA s jedno- i vícerozměrnými testy, popisnými statistikami, atd. GLM nabízí také širokou škálu typů výsledků a grafických možností, které v ostatních programech nejsou obvykle dostupné. Poskytne vám také jednoduché možnosti pro testování lineárních kombinací odhadů parametrů, specifikace chyb a efektů, pokročilé metody post-hoc porovnávání meziskupinových efektů, ale i efektů opakovaných měření a interakcí mezi opakovanými měřeními.

Obecné regresní modely (GRM)

Modul STATISTICA Obecné regresní modely (GRM) poskytuje uživateli unikátní a vysoce flexibilní implementaci standardních možností výsledků obecných lineárních modelů, ale i rozvinutou sadu tvorby modelů pomocí technik nejlepší podmnožiny a krokové regrese pro spojité i kategorizované proměnné. Obě metody (kroková regrese i nejlepší podmnožiny) se dají použít i pro tvorbu značně složitých návrhů, a to i těch, které obsahují efekty pro kategorizované proměnné prediktoru. Slovo "obecné" v názvu Obecné lineární modely se tedy vztahuje jak k použítí obecných lineárních modelů, tak i k faktu, že GRM narozdíl od jiných programů není omezen v tom, že by mohl provádět pouze analýzu modelů, které obsahují pouze spojité proměnné prediktoru. Unikátní výsledky regresí navíc obsahují Paretovy diagramy odhadu parametrů, souhrny celých modelů (testů), parciální a semi-parciální korelace, atd.

Zobecněné lineární modely (GLZ)

Modul STATISTICA Zobecněné lineární modely umožní uživateli vyhledávat jak lineární, tak i nelineární závislosti mezi odezvovou proměnnou a kategorizovanými nebo spojitými proměnnými prediktoru (včetně multinomiálního logit a probit modelu, modelů detekce signálů, a dalších). Aplikace zobecněných lineárních modelů zahrnují široce používané typy analýz, jako je třeba binomická a multinomiální logit a probit regrese, nebo modely teorie detekce signálů (SDT). GLZ modul umí spočítat všechny standardní statistiky výsledků, včetně testů věrohodnosti a testů významných efektů, odhady parametrů a jejich směrodatné chyby a intervaly spolehlivosti, atd. Uživatelská rozhraní, použité metody a celkový dojem modulu je velice podobný modulům GLM, GRM a PLS. Uživatel snadno provede návrh ANOVA nebo ANCOVA, povrchu odezvy, atd. Dokonce ani nováčci by neměli mít problémy při aplikaci zobecněných lineárních modelů na svá data. GLZ navíc obsahuje sadu nástrojů pro kontrolu modelů, jako jsou třeba tabulky a grafy různých reziduí, statistiky pro detekci mezních hodnot, Pearsonovy rezidua, rezidua věrohodnosti, diferenční statistiky Chí-kvadrát, atd.

Metoda částečných nejmenších čtverců (PLS)

Modul STATISTICA Částečné nejmenší čtverce (PLS) obsahuje rozsáhlou sadu algoritmů pro řešení jednorozměrných i vícerozměrných problémů metodou částečných nejmenších čtverců. Navíc nabízí celou řadů možností zpracování výsledků, zejména grafických, které nejsou obvyklé u jiných aplikací. Např. si můžete nechat vytvořit graf hodnot parametrů v závislosti na počtu komponent, dvojrozměrné grafy všech výstupních statistik a všech reziduálních statistik, atd. Protože PLS poskytuje stejný soubor grafických rozhraní, jako moduly GLM, GRM a GLZ, velice rychle se s ním naučíte zacházet, snadno si vytvoříte modely v jediném modulu a rychle provedete analýzu dat pomocí stejného modelu v PLS. Tato flexibilní technika umožní i nováčkům aplikovat mocné techniky tohoto modulu na své vlastní analytické problémy. Metoda částečných nejmenších čtverců je mocná technika vytěžování dat, obzvláště vhodná pro určení menšího počtu dimenzí ve velkém množství proměnných prediktoru a odezvy. Tyto metody analýzy lineárních systémů jsou populární teprve několik let, a proto mnoho algoritmů a statistik je stále předmětem intenzivního výzkumu.

---

Minimální požadavky: Windows 2000/XP/Me/Vista, procesor 800MHz, 256MB RAM, MS Internet Explorer verze 6

STATISTICA Pokročilé lineární/nelineární modely je přídavný modul, který vyžaduje jeden ze základních modulů aplikace STATISTICA.