更智能的算法、更敏銳的洞察、更迅速的決策
即刻增強(qiáng)您的數(shù)據(jù)分析能力
借助先進(jìn)的算法、直觀的功能增強(qiáng)的功能配置，開啟數(shù)據(jù)認(rèn)知的新維度
突出
使企業(yè)能夠提供個(gè)性化的促銷和實(shí)時(shí)導(dǎo)航幫助
衡量超越簡(jiǎn)單相關(guān)性的依賴關(guān)系
可視化多因素連接以查找隱藏的分組和關(guān)系
清除時(shí)間數(shù)據(jù)中的噪聲，以便更好地識(shí)別和預(yù)測(cè)趨勢(shì)
IBM? SPSS? Statistics 是一種端到端的本地統(tǒng)計(jì)解決方案，可簡(jiǎn)化跨行業(yè)的高級(jí)統(tǒng)計(jì)分析。它廣泛用于數(shù)據(jù)準(zhǔn)備和管理、高級(jí)數(shù)據(jù)分析、預(yù)測(cè)模型和數(shù)據(jù)可視化。它提供全面的資源、專家支持和久經(jīng)考驗(yàn)的可靠性，將復(fù)雜的數(shù)據(jù)轉(zhuǎn)化為有影響力的決策。它旨在幫助研究人員、數(shù)據(jù)分析師、統(tǒng)計(jì)學(xué)家和教育工作者，以及業(yè)務(wù)專業(yè)人士從他們的數(shù)據(jù)中提取可作的見解。我們的解決方案提供了一套強(qiáng)大的工具，可以處理任何類型的分析，從基本的描述性統(tǒng)計(jì)到復(fù)雜的多變量方法。
零售、包裝消費(fèi)品、電子商務(wù)、醫(yī)療保健、政府、批發(fā)分銷和服務(wù)、制造和供應(yīng)鏈等個(gè)人和組織廣泛使用，他們尋求一種先進(jìn)的統(tǒng)計(jì)解決方案，該解決方案可以通過易于使用、準(zhǔn)確、可靠和安全的解決方案來簡(jiǎn)化復(fù)雜的統(tǒng)計(jì)測(cè)試。
IBM SPSS Statistics 支持多種數(shù)據(jù)格式和直觀的界面，通過圖形和圖表將數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的洞察和引人入勝的可視化。它在數(shù)據(jù)準(zhǔn)備、統(tǒng)計(jì)建模和報(bào)告方面的全面功能使組織和數(shù)據(jù)專業(yè)人員能夠做出明智的數(shù)據(jù)驅(qū)動(dòng)型決策。
IBM? SPSS? Statistics V31 引入了一套全面的新算法、一流的功能和產(chǎn)品增強(qiáng)功能，旨在優(yōu)化數(shù)據(jù)分析功能和用戶體驗(yàn)。它通過提供一組強(qiáng)大的工具來驗(yàn)證假設(shè)、分析過去的績(jī)效和預(yù)測(cè)趨勢(shì)，使組織能夠通過臨時(shí)分析、假設(shè)檢驗(yàn)和預(yù)測(cè)分析來評(píng)估數(shù)據(jù)。它帶來了新功能，例如鄰近映射、距離關(guān)聯(lián)、時(shí)間序列篩選、STATS Earth 和條件推理樹，以及令人興奮的新引入，例如精選幫助。
IBM SPSS Statistics V31 聚焦
鄰近映射
通過基于多因素（而不僅是地理位置）的關(guān)聯(lián)映射，可視化潛在分組并理解復(fù)雜關(guān)系。
PROXMAP 或鄰近映射是指一種用于地理、生物學(xué)和技術(shù)等各個(gè)領(lǐng)域的技術(shù)，用于分析和可視化不同元素或?qū)嶓w之間的關(guān)系或距離。鄰近地圖有助于研究人員、規(guī)劃師和分析師了解所研究元素的空間或關(guān)系動(dòng)態(tài)。這項(xiàng)研究有助于決策、識(shí)別模式、優(yōu)化系統(tǒng)等。它涉及測(cè)量地理要素之間的距離以了解其空間關(guān)系。這包括計(jì)算點(diǎn)、線或多邊形之間的距離，通常用于地理信息系統(tǒng) （GIS） 中，以分析空間模式和交互。
此功能使企業(yè)能夠提供個(gè)性化的促銷和實(shí)時(shí)導(dǎo)航幫助，從而增強(qiáng)零售店、購(gòu)物中心、機(jī)場(chǎng)和醫(yī)院的客戶體驗(yàn)。通過位置數(shù)據(jù)了解客戶行為，公司可以實(shí)施高度針對(duì)性的營(yíng)銷活動(dòng)，提高轉(zhuǎn)化率并促進(jìn)沖動(dòng)購(gòu)買。此外，鄰近地圖可以優(yōu)化庫(kù)存管理和更高效的員工分配，最終提高運(yùn)營(yíng)效率。早期采用者通過提供先進(jìn)的個(gè)性化體驗(yàn)來提高客戶忠誠(chéng)度，從而獲得競(jìng)爭(zhēng)優(yōu)勢(shì)，而收集到的豐富行為洞察可幫助企業(yè)快速識(shí)別和適應(yīng)新興趨勢(shì)。
主要優(yōu)點(diǎn)：
多維縮放 （MDS） 中的鄰近映射在各個(gè)領(lǐng)域中具有重要的商業(yè)價(jià)值。該技術(shù)使企業(yè)能夠可視化和分析數(shù)據(jù)點(diǎn)之間的復(fù)雜關(guān)系，從而帶來幾個(gè)主要好處：
客戶洞察和細(xì)分：通過采用基于 MDS 的鄰近性，根據(jù)客戶數(shù)據(jù)進(jìn)行映射，企業(yè)可以識(shí)別具有相似偏好、行為或特征的客戶集群。這種細(xì)分對(duì)于有針對(duì)性的營(yíng)銷策略、個(gè)性化產(chǎn)品和提高客戶滿意度非常寶貴
市場(chǎng)理解和競(jìng)爭(zhēng)分析：鄰近地圖繪制有幫助企業(yè)可以深入了解市場(chǎng)動(dòng)態(tài)、競(jìng)爭(zhēng)定位和品牌認(rèn)知度。通過根據(jù)客戶感知或市場(chǎng)屬性映射產(chǎn)品、服務(wù)或品牌，企業(yè)可以確定市場(chǎng)趨勢(shì)、競(jìng)爭(zhēng)優(yōu)勢(shì)和差異化領(lǐng)域
供應(yīng)鏈優(yōu)化：鄰近地圖有助于優(yōu)化供應(yīng)鏈運(yùn)營(yíng)。通過繪制供應(yīng)商、配送中心和需求點(diǎn)之間的空間關(guān)系，企業(yè)可以簡(jiǎn)化物流、降低運(yùn)輸成本、最大限度地縮短交貨時(shí)間并提高整體供應(yīng)鏈效率
風(fēng)險(xiǎn)管理和決策：鄰近地圖有助于跨各種業(yè)務(wù)職能進(jìn)行風(fēng)險(xiǎn)評(píng)估和決策。在金融和投資領(lǐng)域，它有助于投資組合多元化、資產(chǎn)配置、風(fēng)險(xiǎn)緩解以及識(shí)別資產(chǎn)之間的相關(guān)性，從而做出明智的投資決策
距離關(guān)聯(lián)
提示數(shù)據(jù)集之間的各類關(guān)系（包括非線性關(guān)系），從而更全面地了解數(shù)據(jù)的內(nèi)在聯(lián)系。
在金融和投資領(lǐng)域，距離相關(guān)性是衡量?jī)蓚€(gè)隨機(jī)變量或數(shù)據(jù)集之間統(tǒng)計(jì)依賴性的指標(biāo)，可捕獲線性和非線性關(guān)系。這是檢查兩個(gè)數(shù)值變量之間是否存在關(guān)系的可靠且通用的方法。在統(tǒng)計(jì)分析中，了解兩者之間的關(guān)系變量是根本。傳統(tǒng)方法，例如 Pearson 相關(guān)系數(shù)僅限于捕獲線性關(guān)聯(lián)。但是，真實(shí)世界的數(shù)據(jù)，尤其是在金融行為的背景下，通常表現(xiàn)出線性方法可能無法檢測(cè)到的非線性或復(fù)雜依賴關(guān)系。這就是距離相關(guān)性派上用場(chǎng)的地方，因?yàn)樗且粋€(gè)更通用的指標(biāo)，可以檢測(cè)變量之間任何形式的統(tǒng)計(jì)依賴性（線性或非線性）與僅測(cè)量線性依賴性的 Pearson 相關(guān)不同，距離相關(guān)考慮了復(fù)雜的關(guān)聯(lián)，使其在高維數(shù)據(jù)分析中很有用。當(dāng)且僅當(dāng)變量在統(tǒng)計(jì)上獨(dú)立時(shí)，它才等于零。因此，距離相關(guān)性是揭示多維數(shù)據(jù)集中復(fù)雜交互的有效工具，因?yàn)樗梢苑治瞿Ｊ娇赡懿蛔裱本€關(guān)系的行為或人口統(tǒng)計(jì)變量。
主要優(yōu)點(diǎn)
捕獲非線性依賴關(guān)系：計(jì)算所有變量組合的成對(duì)相關(guān)性，檢測(cè)線性和非線性關(guān)系，這與傳統(tǒng)方法不同
靈活的歸一化：提供多種方法（MINMAX、ZSCORE、ROBUST、LOG）對(duì)數(shù)據(jù)進(jìn)行歸一化，增強(qiáng)對(duì)不同分布和異常值的適應(yīng)性
穩(wěn)健的顯著性測(cè)試：支持具有可自定義選項(xiàng)的排列測(cè)試，以便在小型或非正規(guī)數(shù)據(jù)集上進(jìn)行可靠推理
全面的輸出：提供詳細(xì)的表格和散點(diǎn)圖可視化效果，以便清楚地了解數(shù)據(jù)關(guān)系
應(yīng)用范圍廣：由于其能夠處理高維非線性數(shù)據(jù)，因此非常適合生物信息學(xué)（例如基因表達(dá)分析）、金融（例如投資組合風(fēng)險(xiǎn)評(píng)估）、機(jī)器學(xué)習(xí)（例如特征依賴分析）、社會(huì)科學(xué)（例如調(diào)查數(shù)據(jù)關(guān)系）和環(huán)境科學(xué)（例如氣候變量相互作用）等領(lǐng)域
時(shí)間序列過濾器
通過有效消除時(shí)序數(shù)據(jù)中的噪聲和無關(guān)波動(dòng)，明確趨勢(shì)識(shí)別并提升未來預(yù)測(cè)準(zhǔn)確性。
Time Series Filter 基本上是為了解決嘈雜的時(shí)間依賴性數(shù)據(jù)的挑戰(zhàn)而設(shè)計(jì)的。通過采用 Hodrick-Prescott （HP） 濾波器、Baxter-King （BK） 濾波器和 Christiano-Fitzgerald （CF） 濾波器等高級(jí)濾波器，它使用戶能夠更清楚地了解其數(shù)據(jù)的潛在行為，從而實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)、改進(jìn)的異常檢測(cè)和增強(qiáng)的實(shí)時(shí)監(jiān)控能力。
時(shí)間序列篩選提供了幾個(gè)廣泛的優(yōu)勢(shì)，這些優(yōu)勢(shì)對(duì)于有效的數(shù)據(jù)分析和預(yù)測(cè)至關(guān)重要。它有助于識(shí)別長(zhǎng)期趨勢(shì)、周期性模式和季節(jié)性模式，這對(duì)于理解數(shù)據(jù)的總體方向和周期性行為至關(guān)重要。此外，它還可以提高預(yù)測(cè)模型的準(zhǔn)確性，并有助于檢測(cè)異常、確保數(shù)據(jù)完整性和早期識(shí)別潛在問題。這些優(yōu)勢(shì)共同有助于實(shí)現(xiàn)更可靠、更深入的時(shí)間序列分析。
主要優(yōu)點(diǎn)：
更好的預(yù)測(cè)：清理后的數(shù)據(jù)沒有分散注意力的噪音，可以更準(zhǔn)確地預(yù)測(cè)未來趨勢(shì)
改進(jìn)的異常檢測(cè)：有效過濾掉正常波動(dòng)，從而更容易檢測(cè)時(shí)間序列中的真實(shí)偏差和異常事件
高效決策：揭示未知的潛在趨勢(shì)和模式，使企業(yè)能夠?qū)ψ兓龀隹焖俸蛻?zhàn)略性的反應(yīng)
更清晰的趨勢(shì)識(shí)別：使數(shù)據(jù)中的長(zhǎng)期模式和周期更加明顯，有助于更深入地了解潛在動(dòng)態(tài)
增強(qiáng)的實(shí)時(shí)監(jiān)控：提供更流暢、更穩(wěn)定的流數(shù)據(jù)視圖，從而提高實(shí)時(shí)警報(bào)和見解的準(zhǔn)確性
條件推理樹
采用精心選擇分裂因素并規(guī)避常見偏差的方法，構(gòu)建更準(zhǔn)確、更可行的預(yù)測(cè)模型。
它是一種決策樹，它使用統(tǒng)計(jì)測(cè)試來選擇用于拆分?jǐn)?shù)據(jù)的變量。這種方法避免了與傳統(tǒng)決策樹相關(guān)的偏差，傳統(tǒng)決策樹通常使用基尼系數(shù)等度量。條件推理樹通過同時(shí)考慮所有其他效應(yīng)，更擅長(zhǎng)確定預(yù)測(cè)變量的真實(shí)效應(yīng)
主要優(yōu)點(diǎn)
減少偏差：與可能依賴有偏差測(cè)量的傳統(tǒng)決策樹不同，這些決策樹使用統(tǒng)計(jì)測(cè)試來選擇變量，從而減少選擇過程中的偏差
統(tǒng)計(jì)顯著性：此方法可確保數(shù)據(jù)中的拆分具有統(tǒng)計(jì)顯著性，從而提高模型的穩(wěn)健性并有助于做出更自信的決策
避免過擬合：通過使用統(tǒng)計(jì)測(cè)試來指導(dǎo)拆分過程，與傳統(tǒng)決策樹相比，條件推理樹不易出現(xiàn)過擬合，從而使模型更好地泛化到新數(shù)據(jù)
精選幫助
該功能亦稱“智能輸出”，通過直觀提示輕松解讀相關(guān)性分析結(jié)果，無需記憶統(tǒng)計(jì)術(shù)語，快速獲得洞察
當(dāng)對(duì)數(shù)據(jù)集執(zhí)行某個(gè)統(tǒng)計(jì)過程時(shí)，此功能將幫助用戶獲取有關(guān)表 （output） 中某些值的更多信息。此功能是為 Correlation Procedures 實(shí)現(xiàn)的。
STATS Earth
通過捕捉非線性模式和變量之間的復(fù)雜交互作用，構(gòu)建針對(duì)復(fù)雜結(jié)果的精密預(yù)測(cè)模型。
多元自適應(yīng)回歸樣條曲線 （MARS） 概述 MARS 過程在 SPSS 中作為 STATS EARTH 實(shí)現(xiàn)，它通過擬合分段線性段和獨(dú)熱編碼的虛擬變量來構(gòu)建預(yù)測(cè)模型，以對(duì)非線性和交互作用進(jìn)行建模。
Grey Out 功能
非許可的算法/功能列表將以深灰色字體顯示，并帶有一個(gè)鎖定圖標(biāo)，使用戶能夠了解他們應(yīng)該購(gòu)買高級(jí)算法以進(jìn)行高級(jí)分析。用戶還將獲得購(gòu)買灰色算法/功能的步驟。
用戶體驗(yàn)增強(qiáng)
增強(qiáng)的深色模式體驗(yàn)
暗模式界面已得到顯著改進(jìn)，可提供視覺上更舒適和身臨其境的體驗(yàn)。增強(qiáng)功能包括改進(jìn)的對(duì)比度級(jí)別、所有 UI 組件中的一致調(diào)色板以及優(yōu)化表格、圖表和文本的可讀性。
可自定義的 Excel 導(dǎo)入，帶有標(biāo)題行選擇
用戶現(xiàn)在可以指定在導(dǎo)入過程中應(yīng)將 Excel 文件中的哪些行視為標(biāo)題。這對(duì)于在實(shí)際數(shù)據(jù)上方包含介紹性注釋或元數(shù)據(jù)的數(shù)據(jù)集特別有用。它確保準(zhǔn)確的變量命名和數(shù)據(jù)對(duì)齊，從而簡(jiǎn)化數(shù)據(jù)準(zhǔn)備工作流程。
實(shí)驗(yàn)設(shè)計(jì) （DoE） 技術(shù)的搜索欄
DoE 模塊中添加了一個(gè)新的搜索欄，允許用戶快速定位和訪問各種實(shí)驗(yàn)設(shè)計(jì)技術(shù)。此功能增強(qiáng)了可發(fā)現(xiàn)性和效率，特別是對(duì)于使用復(fù)雜或不熟悉的設(shè)計(jì)方法的用戶。
為數(shù)據(jù)透視表、圖表和查看器文本創(chuàng)建輸出主題
用戶現(xiàn)在可以創(chuàng)建并保存自定義輸出主題，這些主題將他們喜歡的數(shù)據(jù)透視表、圖表和查看器文本樣式捆綁在一起。這些主題可以在項(xiàng)目中重復(fù)使用，以促進(jìn)報(bào)告的一致性并減少花費(fèi)在格式設(shè)置上的時(shí)間。
變量視圖中的持久列寬
現(xiàn)在，在“變量視圖”中對(duì)列寬所做的調(diào)整將被保存并在會(huì)話中保留。這確保了一致和個(gè)性化的布局，無需在每次啟動(dòng)軟件時(shí)重復(fù)手動(dòng)調(diào)整大小。
CDB 中選項(xiàng)卡式控件的助記鍵快捷鍵
對(duì)助記鍵快捷鍵的支持已添加到自定義對(duì)話框構(gòu)建器 （CDB） 中的選項(xiàng)卡式控件中。用戶現(xiàn)在可以使用鍵盤快捷鍵在選項(xiàng)卡之間導(dǎo)航，從而提高輔助功能并加快對(duì)話框創(chuàng)建速度。
重新設(shè)計(jì)的 Splash Screen 與 IBM 品牌保持一致
SPSS Statistics 啟動(dòng)期間顯示的啟動(dòng)畫面已根據(jù) IBM 的最新品牌指南重新設(shè)計(jì)。
狀態(tài)欄顯示帶有篩選器的選定案例計(jì)數(shù)
將篩選器應(yīng)用于數(shù)據(jù)集時(shí)，狀態(tài)欄現(xiàn)在顯示當(dāng)前選擇的案例數(shù)。這提供了即時(shí)反饋，并幫助用戶了解其篩選數(shù)據(jù)的范圍，從而有助于驗(yàn)證和分析。
向圖表添加背景圖像并以多種格式導(dǎo)出
用戶現(xiàn)在可以通過添加背景圖像（如徽標(biāo)或水?。﹣碓鰪?qiáng)他們的圖表，并以多種格式導(dǎo)出，包括 .png、.jpg、.svg、.bmp、.tif 和文檔格式，支持不同的演示和發(fā)布需求。
添加的變異系數(shù) （CV）
變異系數(shù) （CV） 已作為統(tǒng)計(jì)度量添加到“Descriptives” 和 “Frequency” 都是如此。已添加相同的標(biāo)簽 CV 模塊包括復(fù)雜樣本和比率統(tǒng)計(jì)，確保統(tǒng)計(jì)輸出的一致性和清晰度。
禁用粘貼時(shí)填寫必填字段的指南
當(dāng)用戶嘗試粘貼語法但必填字段不完整時(shí)，系統(tǒng)現(xiàn)在會(huì)提供上下文指導(dǎo)，以幫助識(shí)別和填寫這些字段。這減少了用戶的挫敗感，并確保了程序的更順利執(zhí)行。
改進(jìn)的變量組合和類型轉(zhuǎn)換
已進(jìn)行增強(qiáng)，以簡(jiǎn)化將多個(gè)變量合并為一個(gè)變量、更改變量類型以及同時(shí)將測(cè)量級(jí)別應(yīng)用于多個(gè)變量的過程。這些改進(jìn)簡(jiǎn)化了數(shù)據(jù)準(zhǔn)備并減少了手動(dòng)工作。
卡方檢驗(yàn)提升為獨(dú)立菜單項(xiàng)
卡方檢驗(yàn)已提升到 Analyze （分析） 下的專用菜單項(xiàng)→Descriptive Statistics，具有自己的圖標(biāo)和語法支持。此更改反映了其在分類數(shù)據(jù)分析中的重要性，并提高了頻繁用戶的可訪問性。
通過改進(jìn)的 UI 和 CTA 增強(qiáng)試用體驗(yàn)
該軟件的試用版現(xiàn)在具有更直觀的用戶界面和更清晰的號(hào)召性用語按鈕。這些增強(qiáng)功能旨在提供更流暢的入門體驗(yàn)，引導(dǎo)新用戶了解關(guān)鍵功能并鼓勵(lì)更深入地參與產(chǎn)品。
安全增強(qiáng)功能
JRE/JDK 升級(jí)到 17.0.13.0
用 commons-imaging 替換舊的 jai_*.jar 文件（圖像庫(kù) ）
解決了將多個(gè)變量合并為一個(gè)變量、更改類型和一次測(cè)量多個(gè)變量的困難
Python 升級(jí)到 v3.13
