A. Alternativas lineales de OLS:

 Red elástica

Pulse Analizar > Regresión > Alternativas OLS lineales > Red elástica para obtener un análisis de regresión de red elástica lineal. El nuevo procedimiento de extensión de Linear Elastic Net utiliza el Python sklearn.linear_model.ElasticNet clase para estimar modelos de regresión lineal regularizados para una variable dependiente en una o más variables independientes. La regularización combina las sanciones L1 (Lasso) y L2 (Ridge). La extensión incluye modalidades opcionales para visualizar gráficos de rastreo para diferentes valores de alfa para una proporción de L1 determinada y para seleccionar la proporción de L1 y los valores de hiperparámetro de alfa basados en la validación cruzada. Cuando se ajusta un único modelo o se utiliza la validación cruzada para seleccionar la relación de penalización y/o alfa, se puede utilizar una partición de datos reservados para estimar el rendimiento fuera de la muestra.

Lazo

Pulse Analizar > Regresión > Alternativas OLS lineales > Lasso para obtener un análisis de regresión de lazo lineal. El nuevo procedimiento de extensión Lasso lineal utiliza Python sklearn.linear_model.Lasso clase para estimar los modelos de regresión lineal regularizada por pérdida de L1 para una variable dependiente en una o más variables independientes, e incluye modalidades opcionales para visualizar gráficos de rastreo y para seleccionar el valor de hiperparámetro alfa basado en la validación cruzada. Cuando se ajusta un único modelo o se utiliza la validación cruzada para seleccionar alfa, se puede utilizar una partición de datos reservados para estimar el rendimiento fuera de la muestra.

Relieve

Pulse Analizar > Regresión > Alternativas OLS lineales > Cresta para obtener un análisis de regresión de cresta lineal. El nuevo procedimiento de extensión Ridge lineal utiliza la Pythonsklearn.linear_model.Ridge clase para estimar L2 o modelos de regresión lineal regularizada por pérdida cuadrada para una variable dependiente en una o más variables independientes, e incluye modalidades opcionales para visualizar gráficos de rastreo y para seleccionar el valor de hiperparámetro alfa basado en la validación cruzada. Cuando se ajusta un único modelo o se utiliza la validación cruzada para seleccionar alfa, se puede utilizar una partición de datos reservados para estimar el rendimiento fuera de la muestra.

Modelos de tiempo de anomalía acelerada paramétrica (AFT)

Pulse Analizar > Supervivencia > Modelos de tiempo de anomalía acelerada paramétrica (AFT) para obtener un análisis de modelo AFT (Parametric Accelerated Failure Time), que invoca el procedimiento de modelos de supervivencia paramétricos con datos de tiempo de vida no recurrentes. Los modelos paramétricos de supervivencia asumen que el tiempo de supervivencia sigue una distribución conocida, y este análisis se ajusta a los modelos de tiempo de fallo acelerado con sus efectos de modelo proporcionales con respecto al tiempo de supervivencia.

Medidas de Pseudo-R² en modelos lineales mixtos y modelos lineales mixtos generalizadosLas medidas de Pseudo-R² y el coeficiente de correlación intra-clase se incluyen ahora en los modelos lineales mixtos y los resultados de los modelos lineales mixtos generalizados (cuando corresponda). El coeficiente de determinación R² es un estadístico notificado comúnmente, porque representa la proporción de varianza explicada por un modelo lineal. El coeficiente de correlación intra-clase (ICC) es una estadística relacionada que cuantifica la proporción de varianza explicada por un factor de agrupación (aleatorio) en datos multinivel/jerárquicos.Actualizaciones de Python y RPython 3.10.4 y R 4.2.0 se instalan con IBM® SPSS® Statistics 29.

Seleccionar casos - Casos ocultosLos casos no seleccionados ya no se ocultan en el Editor de datos cuando se selecciona un subconjunto de casos y los casos no seleccionados no se descartan. Esto representa un retorno al comportamiento de Statistics 27.0.1 y versiones anteriores.

Gráficos de violín El Selector de plantillas de tablero incluye un nuevo gráfico de violín, que es un híbrido de la caja y gráficos de densidad de kernel. Los gráficos de violín muestran los picos en los datos y se utilizan para visualizar la distribución de los datos numéricos. A diferencia de un diagrama de caja que sólo puede mostrar estadísticos de resumen, los diagramas de violín representan los estadísticos de resumen y la densidad de cada variable.

Mejoras en la modalidad de libro de trabajo

• Dos nuevos elementos de la barra de herramientas del libro de trabajo: Mostrar/ocultar todas las ventanas de sintaxis y Borrar toda la salida.

• Nuevo botón en la barra de estado para conmutar entre las modalidades Classic (Salida y Sintaxis) y Workbook.

Mejoras de búsqueda

Ahora, la característica Buscar proporciona opciones para especificar términos directamente en un campo de la barra de herramientas y para visualizar los resultados en un panel desplegable.

Solicite el documento PDF que indica lo nuevo de las versiones 20.0 a 29.0 de IBM SPSS STATISTICS enviando un correo a alguna de las direcciones de la página CONTÁCTENOS.