更智能的算法、更敏锐的洞察、更迅速的决策
即刻增强您的数据分析能力
借助先进的算法、直观的功能增强的功能配置，开启数据认知的新维度
突出
使企业能够提供个性化的促销和实时导航帮助
衡量超越简单相关性的依赖关系
可视化多因素连接以查找隐藏的分组和关系
清除时间数据中的噪声，以便更好地识别和预测趋势
IBM® SPSS® Statistics 是一种端到端的本地统计解决方案，可简化跨行业的高级统计分析。它广泛用于数据准备和管理、高级数据分析、预测模型和数据可视化。它提供全面的资源、专家支持和久经考验的可靠性，将复杂的数据转化为有影响力的决策。它旨在帮助研究人员、数据分析师、统计学家和教育工作者，以及业务专业人士从他们的数据中提取可作的见解。我们的解决方案提供了一套强大的工具，可以处理任何类型的分析，从基本的描述性统计到复杂的多变量方法。
零售、包装消费品、电子商务、医疗保健、政府、批发分销和服务、制造和供应链等个人和组织广泛使用，他们寻求一种先进的统计解决方案，该解决方案可以通过易于使用、准确、可靠和安全的解决方案来简化复杂的统计测试。
IBM SPSS Statistics 支持多种数据格式和直观的界面，通过图形和图表将数据转化为有价值的洞察和引人入胜的可视化。它在数据准备、统计建模和报告方面的全面功能使组织和数据专业人员能够做出明智的数据驱动型决策。
IBM® SPSS® Statistics V31 引入了一套全面的新算法、一流的功能和产品增强功能，旨在优化数据分析功能和用户体验。它通过提供一组强大的工具来验证假设、分析过去的绩效和预测趋势，使组织能够通过临时分析、假设检验和预测分析来评估数据。它带来了新功能，例如邻近映射、距离关联、时间序列筛选、STATS Earth 和条件推理树，以及令人兴奋的新引入，例如精选帮助。
IBM SPSS Statistics V31 聚焦
邻近映射
通过基于多因素（而不仅是地理位置）的关联映射，可视化潜在分组并理解复杂关系。
PROXMAP 或邻近映射是指一种用于地理、生物学和技术等各个领域的技术，用于分析和可视化不同元素或实体之间的关系或距离。邻近地图有助于研究人员、规划师和分析师了解所研究元素的空间或关系动态。这项研究有助于决策、识别模式、优化系统等。它涉及测量地理要素之间的距离以了解其空间关系。这包括计算点、线或多边形之间的距离，通常用于地理信息系统 （GIS） 中，以分析空间模式和交互。
此功能使企业能够提供个性化的促销和实时导航帮助，从而增强零售店、购物中心、机场和医院的客户体验。通过位置数据了解客户行为，公司可以实施高度针对性的营销活动，提高转化率并促进冲动购买。此外，邻近地图可以优化库存管理和更高效的员工分配，最终提高运营效率。早期采用者通过提供先进的个性化体验来提高客户忠诚度，从而获得竞争优势，而收集到的丰富行为洞察可帮助企业快速识别和适应新兴趋势。
主要优点：
多维缩放 （MDS） 中的邻近映射在各个领域中具有重要的商业价值。该技术使企业能够可视化和分析数据点之间的复杂关系，从而带来几个主要好处：
客户洞察和细分：通过采用基于 MDS 的邻近性，根据客户数据进行映射，企业可以识别具有相似偏好、行为或特征的客户集群。这种细分对于有针对性的营销策略、个性化产品和提高客户满意度非常宝贵
市场理解和竞争分析：邻近地图绘制有帮助企业可以深入了解市场动态、竞争定位和品牌认知度。通过根据客户感知或市场属性映射产品、服务或品牌，企业可以确定市场趋势、竞争优势和差异化领域
供应链优化：邻近地图有助于优化供应链运营。通过绘制供应商、配送中心和需求点之间的空间关系，企业可以简化物流、降低运输成本、最大限度地缩短交货时间并提高整体供应链效率
风险管理和决策：邻近地图有助于跨各种业务职能进行风险评估和决策。在金融和投资领域，它有助于投资组合多元化、资产配置、风险缓解以及识别资产之间的相关性，从而做出明智的投资决策
距离关联
提示数据集之间的各类关系（包括非线性关系），从而更全面地了解数据的内在联系。
在金融和投资领域，距离相关性是衡量两个随机变量或数据集之间统计依赖性的指标，可捕获线性和非线性关系。这是检查两个数值变量之间是否存在关系的可靠且通用的方法。在统计分析中，了解两者之间的关系变量是根本。传统方法，例如 Pearson 相关系数仅限于捕获线性关联。但是，真实世界的数据，尤其是在金融行为的背景下，通常表现出线性方法可能无法检测到的非线性或复杂依赖关系。这就是距离相关性派上用场的地方，因为它是一个更通用的指标，可以检测变量之间任何形式的统计依赖性（线性或非线性）与仅测量线性依赖性的 Pearson 相关不同，距离相关考虑了复杂的关联，使其在高维数据分析中很有用。当且仅当变量在统计上独立时，它才等于零。因此，距离相关性是揭示多维数据集中复杂交互的有效工具，因为它可以分析模式可能不遵循直线关系的行为或人口统计变量。
主要优点
捕获非线性依赖关系：计算所有变量组合的成对相关性，检测线性和非线性关系，这与传统方法不同
灵活的归一化：提供多种方法（MINMAX、ZSCORE、ROBUST、LOG）对数据进行归一化，增强对不同分布和异常值的适应性
稳健的显著性测试：支持具有可自定义选项的排列测试，以便在小型或非正规数据集上进行可靠推理
全面的输出：提供详细的表格和散点图可视化效果，以便清楚地了解数据关系
应用范围广：由于其能够处理高维非线性数据，因此非常适合生物信息学（例如基因表达分析）、金融（例如投资组合风险评估）、机器学习（例如特征依赖分析）、社会科学（例如调查数据关系）和环境科学（例如气候变量相互作用）等领域
时间序列过滤器
通过有效消除时序数据中的噪声和无关波动，明确趋势识别并提升未来预测准确性。
Time Series Filter 基本上是为了解决嘈杂的时间依赖性数据的挑战而设计的。通过采用 Hodrick-Prescott （HP） 滤波器、Baxter-King （BK） 滤波器和 Christiano-Fitzgerald （CF） 滤波器等高级滤波器，它使用户能够更清楚地了解其数据的潜在行为，从而实现更准确的预测、改进的异常检测和增强的实时监控能力。
时间序列筛选提供了几个广泛的优势，这些优势对于有效的数据分析和预测至关重要。它有助于识别长期趋势、周期性模式和季节性模式，这对于理解数据的总体方向和周期性行为至关重要。此外，它还可以提高预测模型的准确性，并有助于检测异常、确保数据完整性和早期识别潜在问题。这些优势共同有助于实现更可靠、更深入的时间序列分析。
主要优点：
更好的预测：清理后的数据没有分散注意力的噪音，可以更准确地预测未来趋势
改进的异常检测：有效过滤掉正常波动，从而更容易检测时间序列中的真实偏差和异常事件
高效决策：揭示未知的潜在趋势和模式，使企业能够对变化做出快速和战略性的反应
更清晰的趋势识别：使数据中的长期模式和周期更加明显，有助于更深入地了解潜在动态
增强的实时监控：提供更流畅、更稳定的流数据视图，从而提高实时警报和见解的准确性
条件推理树
采用精心选择分裂因素并规避常见偏差的方法，构建更准确、更可行的预测模型。
它是一种决策树，它使用统计测试来选择用于拆分数据的变量。这种方法避免了与传统决策树相关的偏差，传统决策树通常使用基尼系数等度量。条件推理树通过同时考虑所有其他效应，更擅长确定预测变量的真实效应
主要优点
减少偏差：与可能依赖有偏差测量的传统决策树不同，这些决策树使用统计测试来选择变量，从而减少选择过程中的偏差
统计显著性：此方法可确保数据中的拆分具有统计显著性，从而提高模型的稳健性并有助于做出更自信的决策
避免过拟合：通过使用统计测试来指导拆分过程，与传统决策树相比，条件推理树不易出现过拟合，从而使模型更好地泛化到新数据
精选帮助
该功能亦称“智能输出”，通过直观提示轻松解读相关性分析结果，无需记忆统计术语，快速获得洞察
当对数据集执行某个统计过程时，此功能将帮助用户获取有关表 （output） 中某些值的更多信息。此功能是为 Correlation Procedures 实现的。
STATS Earth
通过捕捉非线性模式和变量之间的复杂交互作用，构建针对复杂结果的精密预测模型。
多元自适应回归样条曲线 （MARS） 概述 MARS 过程在 SPSS 中作为 STATS EARTH 实现，它通过拟合分段线性段和独热编码的虚拟变量来构建预测模型，以对非线性和交互作用进行建模。
Grey Out 功能
非许可的算法/功能列表将以深灰色字体显示，并带有一个锁定图标，使用户能够了解他们应该购买高级算法以进行高级分析。用户还将获得购买灰色算法/功能的步骤。
用户体验增强
增强的深色模式体验
暗模式界面已得到显著改进，可提供视觉上更舒适和身临其境的体验。增强功能包括改进的对比度级别、所有 UI 组件中的一致调色板以及优化表格、图表和文本的可读性。
可自定义的 Excel 导入，带有标题行选择
用户现在可以指定在导入过程中应将 Excel 文件中的哪些行视为标题。这对于在实际数据上方包含介绍性注释或元数据的数据集特别有用。它确保准确的变量命名和数据对齐，从而简化数据准备工作流程。
实验设计 （DoE） 技术的搜索栏
DoE 模块中添加了一个新的搜索栏，允许用户快速定位和访问各种实验设计技术。此功能增强了可发现性和效率，特别是对于使用复杂或不熟悉的设计方法的用户。
为数据透视表、图表和查看器文本创建输出主题
用户现在可以创建并保存自定义输出主题，这些主题将他们喜欢的数据透视表、图表和查看器文本样式捆绑在一起。这些主题可以在项目中重复使用，以促进报告的一致性并减少花费在格式设置上的时间。
变量视图中的持久列宽
现在，在“变量视图”中对列宽所做的调整将被保存并在会话中保留。这确保了一致和个性化的布局，无需在每次启动软件时重复手动调整大小。
CDB 中选项卡式控件的助记键快捷键
对助记键快捷键的支持已添加到自定义对话框构建器 （CDB） 中的选项卡式控件中。用户现在可以使用键盘快捷键在选项卡之间导航，从而提高辅助功能并加快对话框创建速度。
重新设计的 Splash Screen 与 IBM 品牌保持一致
SPSS Statistics 启动期间显示的启动画面已根据 IBM 的最新品牌指南重新设计。
状态栏显示带有筛选器的选定案例计数
将筛选器应用于数据集时，状态栏现在显示当前选择的案例数。这提供了即时反馈，并帮助用户了解其筛选数据的范围，从而有助于验证和分析。
向图表添加背景图像并以多种格式导出
用户现在可以通过添加背景图像（如徽标或水印）来增强他们的图表，并以多种格式导出，包括 .png、.jpg、.svg、.bmp、.tif 和文档格式，支持不同的演示和发布需求。
添加的变异系数 （CV）
变异系数 （CV） 已作为统计度量添加到“Descriptives” 和 “Frequency” 都是如此。已添加相同的标签 CV 模块包括复杂样本和比率统计，确保统计输出的一致性和清晰度。
禁用粘贴时填写必填字段的指南
当用户尝试粘贴语法但必填字段不完整时，系统现在会提供上下文指导，以帮助识别和填写这些字段。这减少了用户的挫败感，并确保了程序的更顺利执行。
改进的变量组合和类型转换
已进行增强，以简化将多个变量合并为一个变量、更改变量类型以及同时将测量级别应用于多个变量的过程。这些改进简化了数据准备并减少了手动工作。
卡方检验提升为独立菜单项
卡方检验已提升到 Analyze （分析） 下的专用菜单项→Descriptive Statistics，具有自己的图标和语法支持。此更改反映了其在分类数据分析中的重要性，并提高了频繁用户的可访问性。
通过改进的 UI 和 CTA 增强试用体验
该软件的试用版现在具有更直观的用户界面和更清晰的号召性用语按钮。这些增强功能旨在提供更流畅的入门体验，引导新用户了解关键功能并鼓励更深入地参与产品。
安全增强功能
JRE/JDK 升级到 17.0.13.0
用 commons-imaging 替换旧的 jai_*.jar 文件（图像库 ）
解决了将多个变量合并为一个变量、更改类型和一次测量多个变量的困难
Python 升级到 v3.13
