IBM SPSS4Student GradPack - SPSS Amos StudyPack/GradPack

SPSS Amos

Einfache Strukturgleichungsmodellierung
Mit IBM SPSS Amos können Sie Modelle spezifizieren, schätzen, bewerten und präsentieren, um hypothetische Beziehungen zwischen Variablen zu zeigen. Diese Software ermöglicht eine akkuratere Modellerstellung als mit Methoden der multivariaten Statistik. Die Benutzer können sich entweder für die grafische Benutzerschnittstelle oder eine nicht grafische Programmierschnittstelle entscheiden.
SPSS Amos gibt Ihnen die Möglichkeit, Einstellungs- und Verhaltensmodelle zu erstellen, die komplexe Beziehungen abbilden. Die Software bietet Ihnen folgende Vorteile:

• Strukturgleichungsmodellierung (Structural Equation Modelling, SEM), die einfach zu verwenden ist und Ihnen die Möglichkeit gibt, Modelle mühelos zu vergleichen, zu bestätigen und zu optimieren
• Einsatz der Bayes-Analyse zur besseren Schätzung von Modellparametern
• Verschiedene Datenimputationsmethoden zur Erstellung unterschiedlicher Datasets

Merkmale

• Strukturgleichungsmodellierung (Structural Equation Modelling, SEM)
  • Erstellen Sie grafische Modelle in kürzester Zeit mithilfe von Drag-and-drop-Tools zum Zeichnen und Bearbeiten.
  • Erzeugen Sie Modelle, die komplexe Beziehungen realitätsnah abbilden.
  • Verwenden Sie beliebige numerische Werte – ob beobachtet oder latent – zur Prognose beliebiger anderer numerischer Werte.
  • Setzen Sie nicht grafische Scripting-Funktionen ein, um große, komplizierte Modelle in kürzester Zeit auszuführen und ähnliche Modelle zu generieren, die sich nur geringfügig unterscheiden.
  • Nutzen Sie die Multivarianzanalyse, um Standardmethoden wie die Regression, die Faktorenanalyse, die Korrelation und die Varianzanalyse zu erweitern.
• Einsatz der Bayes-Analyse
  • Verbessern Sie Schätzungen durch die Angabe einer informativen A-priori-Verteilung.
  • Profitieren Sie von der zugrunde liegenden Markov-Ketten-Monte-Carlo-Rechenmethode, die schnell und automatisch anpassbar ist.
  • Führen Sie Schätzungen mit sortierten kategorialen und zensierten Daten aus.
  • Erstellen Sie Modelle auf Basis von nicht numerischen Daten, ohne den Daten numerische Scores zuordnen zu müssen.
  • Arbeiten Sie mit zensierten Daten, ohne Annahmen außer der Normalität treffen zu müssen.
• Verschiedene Datenimputationsmethoden
  • Nutzen Sie die Regressionsimputation zur Erstellung eines einzelnen, vollständigen Datasets.
  • Verwenden Sie die stochastische Regressionsimputation oder die Bayes-Imputation, um verschiedene imputierte Datasets zu erzeugen.
  • Sie können außerdem fehlende Werte oder latente Variablenscores imputieren.