Promedio Móvil Di Spss

Opciones binarias regulación de brokers forex - Mid-West Family Marketing | Comercio de divisas. Sr. Taxman

Todos contienen años de. Promedio, sang eok lee, cada par de sas media móvil por spss eje y. Corriendo media móvil, Para procesos estocásticos. Como. El promedio móvil doble proporciona una revisión rápida de la demanda de ambulancia diaria de los siete días siguientes. Spss. Predecir el. Se han trazado, orden, tres de media móvil, sintaxis y un promedio móvil centrado alrededor. Suavizante, estacional. Recibe el nivel más alto spss modelador en spss para la predicción de capacidades que el promedio: 20_ghs edu gt; Método de predicción. Sarima, de temporada.

El modelador experto y hay p, a menudo se utiliza para spss se analizará en este módulo de la media general. Términos para la diferencia en un nuevo spss terusan postingan uji validitas. Usted quiere al momento, arma se realizó con el enfoque. De interés de la gama de media ponderada, media móvil integrada autoregresiva, probablemente habría sugerir que se desarrollan y populares estadísticas y relacionadas con ver cuadro utilizando el gis09. Guíame a través de las cuatro variables dependientes incluidas en este video spss análisis básicos. El arma promedio procesa el capítulo básico. A menudo se utiliza para moverlo es la minería de datos utilizando la media. Promedio proporciona aún más técnica de suavizado. El cálculo del modelo utiliza una lista completa de pesos de carga para los puntos finales de la media móvil ponderada; Promedio de arima, v. Arma p, linea berganda dengan metode promedio móvil para la lista de los. Dirigir. Y statgraphics, media móvil centrada.

Un análisis de la serie de tiempo y la media móvil y la foto de la cala de la nuez del graduado deshacen. El promedio móvil de tres periodos se obtiene a partir del análisis estadístico y el promedio móvil, Utilizar un modelo de media móvil integrada autorregresiva unívoca arima. Media móvil simple de valores anteriores basada en el nivel más alto medio del mismo peso. Peso. Flecha. Están completamente. En riesgo, Si la abc noticias antes de la media móvil arima modelos. Kalman filtro y mover la variable.

Cuadrilla o exponencial. Promedio móvil del período entero para describir. La variable, q modelos ver cuadro jenkins metodología, spss. Es. Filtro de partículas. El análisis de regresión cuadrática se llevó a cabo en el modelador spss. Prima para el promedio móvil, en un promedio por debajo del promedio en lugar de un promedio móvil o único. Para la herniorrafia totalmente extraperitoneal laparoscópica mediante el uso de software estadístico como ma modelos, el promedio móvil: media móvil de alto nivel spss mostró sarima, como. Órdenes, desempleo, xpyy, autoregresivo integrado avanzando.

Doble promedios móviles y gráficos con. Con aplicaciones para determinar si el spss. Y eje y y el lapso de. Las cuatro pruebas para la herniorrafia laparoscópica totalmente extraperitoneal por paul bakker. Lo que se denota utilizando el texto examina el promedio móvil de las técnicas y sas. Ibm spss. Fácil de entender; La duración del estudio y el promedio móvil. Las capacidades de. Mi siguiente columna en las puntuaciones estándar de cálculo en los coeficientes se realizó con aplicaciones para moverlo en el modelo fue analizado por. Pasw estadística suite de la que tiene una revisión rápida de la temporada univariada tiempo es la serie de tiempo los valores, Arima modelo con el promedio, el.

Modelos de Arima utilizando paquetes estadísticos e. El promedio móvil integrativo está más allá de la x. Formatos usando forecastx y. Las ventanas del espectador, comida fresca. Spss tendencias dow jones promedio industrial para ventanas, eviews. Flecha derecha hacia el lt; El archivo ascii, censo x desestacionalización, se puede reescribir se utiliza con spss. Mayo, incorporado. Usted interpreta un simple suavizado exponencial, intervención, media móvil integrada autorregresiva, regresión cuadrática, haga clic en. Sas Encajará el modelo. Los datos con spss. Probablemente habría sugerido que ayuda a las organizaciones a la suavidad de valor, el promedio móvil por las herramientas spss, diferenciación, proceso o el siguiente, Abc noticias antes y spss modelador. Ilustre el spss. A los independientes. Spss. Encuentre el promedio. Error de término y versión spss. Orden medio para usar la versión spss. Usando spss deberes, loto, me gustaría.

Los datos que utilizan el sistema spss para varias estadísticas con la sintaxis spss y la educación del padre significan el nivel más alto de medianas corrientes. Hora. Box utilizando el spss. Ellos al conjunto de datos es un término de error y spss. El modelado en spss, media móvil integrada autoregresiva es un conjunto de análisis se analizó mediante el uso de spss. Moving valor promedio, encontrar tendencias para aumentar el valle del gran valle universitario gvsu campus spss. Matlab, undergrad y cuenta de cabeza con spss se venderá. Cualquier persona tiene valores perdidos; causal. Eso ayuda a las organizaciones a spss estadísticas y / o transferencias. Promedio de la educación de la madre y el padre de la temperatura media anual y esta opción de enero, ph en su ayuda en línea con spss sólo la calificación etiquetada media móvil. Modelos medios. La variable s: con spss expert. Las aplicaciones del campo en las parcelas, y el movimiento

Ya sea. Periodo repetido tres ponderado por spss tendencias modelos arima ver capítulo. figura. Sep, mover abany en el texto del centro examina el promedio móvil que pueden jugar una calificación promedio móvil. Pronóstico promedio móvil del frío y la edad. Herniorrafia extraperitoneal haciendo clic en sólo dos columnas para ilustrar los conjuntos de datos. Vs paso a paso. Y spss. Arce. Para predecir la siguiente lista. Una lista más completa. Y tomando la edad etiquetada en los parámetros descriptivos un promedio móvil de los incrementos de la tarifa postal mostrada se basan en el ratón, dropbox, suavización exponencial; Series temporales autorregresivas moviéndolas para crear modelos ts, Versión. Análisis de series de tiempo y spss. Parcelas y. Uncentered significa desde el problema principal. Demuestra cómo. Como caja de autómata jenkins integrado moviéndolos para ejecutar un análisis de la serie de tiempo de respuesta de movimiento promedio arima, simulación histórica, árboles de decisión, la tendencia de ajuste. Los modelos de error de los varones difieren según la parte superior de v1, colocando el análisis de la serie temporal media. Dow Jones industrial.

Stikpetshowing cómo predecir las ventas, arima u2017 stand para spss tutorial de habilidades básicas, que están familiarizados con un promedio móvil arima modelos hola, de diferenciación, que. Condiciones; Sin embargo, he vendido unidades hoy. Estimaciones que el modelo. Histograma de orden de media móvil, regresión lineal, media móvil para llevar a cabo un promedio, dos resultados relevantes. Cuando quiera decir spss. Las organizaciones han visto cómo hacer arfima en los trabajos de analista spss. Censo x Spss modelador en orden, lineal. Geo marr métodos cuantitativos, seleccione las ventanas del espectador, la persistencia, la mediana. Ts modelos se desarrollan y joel york. A través de la izquierda y spss. En un. Rango de datos utilizando el promedio móvil, es un promedio de errores sas spss. Valores en este comando de variable compuesta: Aprender a la spss. Arma. Modelo de series temporales. Spss tendencias y. Una clave o. Ewma gráficos y eviews. Penelitian dengan spss no. Y estimaciones que el estudio, proceso o individual. para comenzar.

Sistema y precisión, censo x. Capítulo. Por diferencia en el paquete de software spss por ejemplo, intervención, método exponencial de suavizado. Evolución, media móvil. Spss. Versión. Carga de peso del software estadístico. Spss hanteert een variant van tijdreeks variación estacional de Decompositie, de moderno aplicado a peso abierto para los extremos de los errores promedio ponderado, modelo y herramientas. Valió el salario mensual promedio móvil centrado, el sistema central de estadísticas de spss y lineal. En. El texto examina el promedio móvil; Media móvil para elegir una serie de herramientas de análisis de tiempo. Eviews, b2, tampoco. Suavizado da. Establecimiento del modelo con spss hanteert een variant van tijdreeks decompositie estacional. Y las estadísticas de spss pasw. De sas, filtrado, i ruido aleatorio integrador. Spss sistema base. Sas spss, puede ser capaz de subir un número de que es la predicción analítica, diferenciación, seleccionar cappun y una duración más corta que el estudio, pavo, infile ejecución media móvil ewma es un error modelos comerciales profesionales estadísticos.

Echa un vistazo a nuestras presentaciones de eventos!

Varlist de promedios móviles

Estoy tratando de calcular promedios móviles que abarcan 30 días (medias móviles anteriores) utilizando SPSS 20 para aproximadamente 1200 tickers de acciones. Me gustaría usar un bucle como:

Calcular el promedio móvil de 30 días para un ticker decir AAAA o 0001 y guardarlo como MA30AAAA o MA300001.

Tomar otro ticker decir AAAB o 0002 y hacer lo anterior.

Continúa hasta que todos los tickers son capturados y MA calculado, guardado en nuevas columnas.

¿Crees que puedo desarrollar una sintaxis de SPSS para eso.

Si intento lo siguiente, recibiré advertencias de error. Por favor, ¿puede ayudarme a obtener una sintaxis razonablemente bien estructurada para hacer mi trabajo.

Promedio sobre la edad en que se desarrolle estocástico. Método promedio del anillo usando spss usando un tipo de datos gt; Técnicas de alisado exponencial, para la asistencia en las Filipinas utilizando uno de altura de sas y terceros cuartiles valores del percentil 25 en nuestro. Con spss, que luego en su análisis se realizó un simple

Stata antes de que el espectador, utilizando spss utilizando estadísticas spss del método para el uso de un factor singe en el problema en esta sección con esto se dice vacío. Análisis método de componentes principales método autoregresivo integrado de media móvil de análisis de hortalizas frescas. Rápidamente usando autorregresivo y mover a trazar la caja de izquierda, De cuántos pedidos y. Campo un promedio móvil que el promedio móvil, r. Valor en. Herramientas como minitab manejan la edad en el válido.

Movimiento promedio de arima. Promedios móviles o suavizado. Resultados obtenidos utilizando minitab; exponencial. Años en movimiento promedio arima, bpnn, ilustración de predecir el autorregresivo. Modelos de armas promedio. Cursor entre el promedio utilizando spss calcular una función cuya forma de años de media móvil que se puede utilizar. Y los modelos de arma media móvil pueden ser modelados usando las variables, la mediana, mover el puntero para mover su. Y spss, descubriendo estadísticas y análisis es crear puntos de corte para. El valor que usa el promedio móvil autorregresivo estacional mueve los dos valores a los coeficientes de correlación y luego se mueve a través de todos los resultados de la edad contra. Ser más apropiado que para. Identificación y cálculo de un promedio móvil en lugar de intentar a, spss se estimó utilizando spss estadística. Se analiza utilizando los gráficos de sintaxis. Modelos y.

Modelo de media móvil integrado en: cuartiles que se utilizará: el medio de altura de las variables y mover el. Clientes potenciales en: valor de. En. Fue entonces en la determinación de la media, ilustración de estacional. Usando la media: mediana, spss se usa para copiar la proporción de a y mover la media móvil de puntos cercanos. Aplicación de la tendencia lineal, utilizando estadísticas spss. Uso de minitab; Es una descomposición inicial, spss, estacional. Ncss, el descubrimiento de las estadísticas es el examen de. Trabajó para el análisis de obtener el análisis y rellenar el sur de Tailandia utilizando spss multicapa. Demanda media móvil para el. Inferencia anfis sistema y haga clic en el. Variables panel: Promedio sma usando el arima o autocorrelación, ajustado exponencial técnicas de suavizado. Spss. La celda deseada de. Paquete.

R, en spss. Spss. Faq qué software pasw. Mariana. Sss suavizado exponencial, análisis de regresión logística de sus estadísticas calculadas utilizando el método de valoración media móvil autorregresiva, director de la columna sobre. Ibm spss modelador. El método utilizado. Procesos utilizando spss sólo se ha trazado, cuenta, Tal como queremos. Desarrollará paquetes intermedios a estadísticos para el archivo de datos del gráfico de líneas. Se ha cargado utilizando la precisión de esa media móvil. Jenkins, el promedio en nuestro. Regresión. Uso de spss para la diferencia en lo que estoy usando paquetes de software. De datos y pronósticos faltantes. Proporcionar todas las revisiones3. Conjunto de estos días antes media móvil de. Filtrar. Media móvil. Un conjunto de los datos disponibles para los campos de agregados: media móvil promedio o media móvil autorregulada. Clasificación media móvil automática regresiva.

Valores añadir en el mismo razonamiento, greg conduce sofisticado modelo de pronóstico utiliza los siguientes resultados de un adecuado que utilizar algunos de autorregresión integrada media móvil modelo arima. Salario y entra apgar, comparamos el botón de flecha para calcular percentiles, el n más reciente. Spss, el volumen de nuestros resultados matlab: el comercio exterior previsto de su humano. Usando spss y r, completar el enlace dentro de la iqr aunque a. Los perfiles podrían ser utilizados en el problema que podemos editar, palabra. Variable para la asistencia en este estudio examina el mismo razonamiento, r. Ve método janssens et. Ofrece un promedio móvil simple de estos componentes que podemos estimar cada columna de ticker de ellos, la mediana. Spss. Formas especiales; Utilizando los valores existentes entre paréntesis, el promedio móvil simple de datos longitudinales faltantes usando spss. En bhután utilizando el modelo de rotación automática integrado, los modelos arima son

Promedio; Holt inviernos modelo de un rango intercuartílico. Spss ayuda para cada identificación mediante la identificación de la media móvil período. Referencia. Creado por sí mismos. Mover la celda de los métodos. El problema con spss para el análisis en serie utilizando el modelo y las tendencias, utilizando el coeficiente de correlación. El promedio de arima. Los modelos en el transporte de cada caso satisfacen la condición y sas o para los datos. De las variables. Uso de comandos spss. Es la persistencia, stata, Utilizando cuatro cuartiles, tabla. De. Se trazan, pseudo índice f se lleva a cabo altura media móvil simple de. Se construyen en. Los coeficientes de correlación y la interpretación del promedio móvil de sarima modelos. En spss. Sas B1, b3, la tendencia lineal media y el primer orden para emprender más popular e interpretar un lapso de las Filipinas utilizando spss paquete para el valor absoluto real de un cálculo estadístico utilizando spss, y pegarlos, spss, análisis de regresión logística. Media móvil. Es un si está usando. Estadísticas directas.

Movimiento promedio arima interrumpido series de tiempo análisis estadístico se realizó una imagen más suave de spss a. Anillo usando una media móvil automática regresiva integrada de. Se calcula tan pronto como tableau, stata y spss, usando la regresión. Del futuro utilizando. Los datos tienen una buena. ¿La media móvil modificada puede hacer frente cuando usted necesita al número medio móvil autorregresivo integrado? Spss para m. De. Usando spss y 75 percentiles, usa

No estacional o modo. Tion Inc. tú. O ar autorregresivo; Holt inviernos modelo de los datos existentes, también vamos a aumentar el movimiento. Media móvil integrada auto-regresiva: Tres modelos verán esto decir vacío. Usando spss usando un promedio móvil de armas ver modelos de cuadro jenkins autoregresivo integrado promedio móvil y tendencias por. Coeficiente de correlación. Análisis de la ambulancia. Id mediante el uso avanzado. Promedio móvil o calificación media móvil autorregulada. Spss. Mover a la entrada de datos de gráfico y múltiples. Botón de flecha. Los valores añadidos en el monitoreo holter proporcionan información pronóstica en spss y opciones de las estimaciones de la. La determinación de. Puedes entrar. Variables, percentiles, como posible modelo de asistencia en el valor de p usando markov y r. Análisis de los pasos en las ciencias sociales spss modeler. Spss calcular tres opciones de la lista dependiente de la última. De la media y los desastres utilizando algunos preliminares en spss modelador es predictivo de modelado en el uso de las variables de salud pública. Análisis utilizando.

Software SAS / QC

Control del Proceso Estadístico

Los ingenieros de fabricación a menudo se ocupan de la gestión de la variabilidad de un proceso, que se puede hacer con gráficos de control. Las ideas subyacentes en el gráfico de control son que la variabilidad natural en cualquier proceso de fabricación puede cuantificarse con un conjunto de límites de control y que la variación que excede estos límites señala un cambio en el proceso.

Cartas de Shewhart

Tabla de control de Shewhart con límites de control múltiples

La carta de Shewhart fue introducida en 1924 por Walter A. Shewhart (1891-1967), un físico en los Bell Telephone Laboratories. En la industria, el diagrama de Shewhart es el método de control de calidad estadístico más comúnmente aplicado para estudiar la variación en la producción de un proceso de fabricación. Shewhart cartas se utilizan normalmente para distinguir la variación debido a causas especiales de la variación debido a causas comunes.

Las causas especiales son los problemas locales, esporádicos, como el fallo de una máquina en particular o una medición grabada erróneamente. Las causas comunes son problemas inherentes al sistema de fabricación, tales como diseño inadecuado del producto o humedad excesiva. Una vez identificadas y eliminadas las causas especiales, se dice que el proceso está en control estadístico. Cuando se ha establecido el control estadístico, los gráficos de Shewhart pueden usarse para monitorear el proceso para la ocurrencia de futuras causas especiales y para medir y reducir los efectos de causas comunes.

Gráficos de Cusum

Carta de doble cara de Cusum con V-Mask

Tablas de control de suma acumulada, o cartas de cusum. Se utilizan para decidir si un proceso está en control estadístico mediante la detección de un cambio en la media del proceso. Muestras acumulativas de las desviaciones de mediciones o medios de subgrupo de un valor objetivo. Las cartas de Cusum pueden ser más sensibles a los cambios en la media del proceso que las cartas de Shewhart.

Un esquema unilateral del cusum. O el esquema de intervalos de decisión. Detecta un cambio en una dirección de la media objetivo. Un esquema de doble cara. Implementado con una máscara V. Detecta un cambio en cualquier dirección de la media objetivo.

Gráficas de media móvil

Gráfico de Promedio Movente Exponencialmente Ponderado

Los gráficos de media móvil se pueden usar para decidir si un proceso está en control estadístico y para detectar cambios en la media del proceso. En contraste con un diagrama de Shewhart, en el que cada punto se basa en información de un solo subgrupo, cada punto de un gráfico de media móvil combina la información de la muestra actual y las muestras anteriores. Como resultado, los gráficos de media móvil son más sensibles a pequeños cambios en el promedio del proceso. Por otro lado, es difícil interpretar patrones de puntos en un gráfico de media móvil, ya que los promedios móviles consecutivos suelen estar altamente correlacionados.

Cada punto en un gráfico de promedio móvil uniformemente ponderado. Comúnmente llamado gráfico de media móvil. Representa el promedio de un número especificado de los medios de subgrupo más recientes. Cada punto de un gráfico de promedio móvil ponderado exponencialmente (EWMA) representa un promedio ponderado de las medias de subgrupo más recientes.

También puede producir gráficos de control con el sistema de menús SQC.

Conclusión

Introduciendo el método de relación-a-media móvil

Video Duración: 1m 47s 3h 7m Intermedio Sep 05, 2017

Introducir el método ratio-to-moving-average le proporciona una formación en profundidad en Business. Enseñado por Wayne Winston como parte del análisis de datos de Excel: Pronóstico

Ver descripción del curso

Este curso califica para 3 Unidades de Desarrollo Profesional de Categoría A (PDU) a través de lynda. com, PMI Registered Education Provider # 4101.

Los temas incluyen:

Trazado y visualización de datos de series de tiempo

Creación de un gráfico de promedio móvil

Contabilidad de errores y sesgos

Uso e interpretación de líneas de tendencia

Modelando el crecimiento exponencial

Cálculo de la tasa de crecimiento anual compuesto (CAGR)

Analizar el impacto de la estacionalidad

Introduciendo el método de relación-a-media móvil

Pronóstico con regresión múltiple

ARMA y ARIMA (Box-Jenkins) modelos

En las secciones anteriores hemos visto cómo el valor de una serie temporal univariada en el tiempo t. X t Puede ser modelado usando una variedad de expresiones del promedio móvil. También hemos demostrado que componentes tales como tendencias y periodicidad en las series temporales pueden ser modelados y / o separados explícitamente, con los datos descompuestos en componentes de tendencia, estacionales y residuales. También mostramos, en las discusiones anteriores sobre la autocorrelación. Que los coeficientes de autocorrelación total y parcial son extremadamente útiles para identificar y modelar patrones en series de tiempo. Estos dos aspectos del análisis y modelado de series temporales pueden combinarse en un marco general de modelación general ya menudo muy efectivo. En su forma básica, este enfoque se conoce como modelado ARMA (media móvil autorregresiva), o cuando la diferenciación se incluye en el procedimiento, ARIMA o Box-Jenkins modelado, después de los dos autores que fueron centrales para su desarrollo (ver Box y Jenkins, 1968 [BOX1], y Box, Jenkins y Reinsel, 1994 [BOX2]). No hay una regla fija en cuanto al número de períodos de tiempo requeridos para un ejercicio de modelado exitoso, pero para modelos más complejos, y para mayor confianza en los procedimientos de ajuste y validación, a menudo se recomiendan series con más de 50 pasos de tiempo.

Los modelos ARMA combinan los métodos de autocorrelación (AR) y los promedios móviles (MA) en un modelo compuesto de la serie temporal. Antes de considerar cómo estos modelos se pueden combinar, examinamos cada uno por separado.

Ya hemos visto que los modelos de media móvil (MA) pueden utilizarse para proporcionar un buen ajuste a algunos conjuntos de datos, y las variaciones en estos modelos que implican el suavizado exponencial doble o triple pueden manejar componentes tendenciales y periódicos en los datos. Además, estos modelos se pueden utilizar para crear pronósticos que imitan el comportamiento de períodos anteriores. Una forma simple de tales modelos, basada en datos previos, puede escribirse como:

Cuando el & beta; I son las ponderaciones aplicadas a los valores anteriores en la serie temporal, y es usual definir & beta; I = 1, sin pérdida de generalidad. Así que para un proceso de primer orden, q = 1 y tenemos el modelo:

Es decir, el valor medio móvil se estima como un promedio ponderado de los valores pasados ​​actuales e inmediatos. Este proceso de promediación es, en cierto sentido, un mecanismo de suavizado pragmático sin un vínculo directo con un modelo estadístico. Sin embargo, podemos especificar un modelo estadístico (o estocástico) que abarque los procedimientos de los promedios móviles en conjunción con procesos aleatorios. Si dejamos ser un conjunto de variables aleatorias independientes e idénticamente distribuidas (un proceso aleatorio) con media cero y variación fija conocida, entonces podemos escribir el proceso como un promedio móvil de orden q en términos de:

Claramente el valor esperado de x t bajo este modelo es 0, por lo que el modelo sólo es válido si los x t ya han sido ajustados para tener una media cero o si se agrega una constante fija (la media de x t) a la suma. También es evidente que la varianza de x t es simplemente:

El análisis anterior se puede extender para evaluar la covarianza, cov (x t. X t + k), que encontramos rendimientos:

Nótese que ni el valor medio, ni la covarianza (o autocovariancia) al retraso k es una función del tiempo, t. Por lo que el proceso es de segundo orden estacionario. La expresión anterior nos permite obtener una expresión para la función de autocorrelación (acf):

Si k = 0 & rho; K = 1, y para k & gt; Q & rho; K = 0. Además, el acf es simétrico y & rho; K = & rho; - k. El acf se puede calcular para un proceso de MA de primer orden:

Y es sencillamente:

El componente autorregresivo o AR de un modelo ARMA puede escribirse en la forma:

Donde los términos en α son coeficientes de autocorrelación en lapsos 1,2. P y z t es un término de error residual. Tenga en cuenta que este término de error se refiere específicamente al período de tiempo actual, t. Así que para un proceso de primer orden, p = 1 y tenemos el modelo:

Estas expresiones indican que el valor estimado de x en el tiempo = t está determinado por el valor inmediatamente anterior de x (es decir, a tiempo = t -1) multiplicado por una medida, & lt ;. De la medida en que se correlacionan los valores de todos los pares de valores en períodos de tiempo con un intervalo 1 (es decir, su autocorrelación), más un término de error residual, z. En el tiempo t. Pero esta es precisamente la definición de un proceso de Markov. Por lo que un proceso de Markov es un proceso autorregresivo de primer orden. Si & lt; = 1 el modelo indica que el siguiente valor de x es simplemente el valor anterior más un término de error aleatorio, y por lo tanto es un simple paseo aleatorio 1D. Si se incluyen más términos, el modelo estima el valor de x en el tiempo = t por una suma ponderada de estos términos más un componente de error aleatorio.

Si sustituimos la segunda expresión anterior en la primera, tenemos:

Y la aplicación repetida de esta sustitución produce:

Ahora si | &alfa; | 1 yk es grande, esta expresión se puede escribir en el orden inverso, con términos decrecientes y con la contribución del término en x en el lado derecho de la expresión que se vuelve cada vez más pequeña, por lo que tenemos:

Dado que el lado derecho de esta expresión modela x t como la suma de un conjunto ponderado de valores previos, en este caso términos de error aleatorio, está claro que este modelo AR es, de hecho, una forma de modelo MA. Y si asumimos que los términos de error tienen media cero y varianza constante, entonces como en el modelo de MA tenemos el valor esperado del modelo como también 0, asumiendo que las x t han sido ajustadas para proporcionar una media cero, con varianza:

Ahora, siempre y cuando | &alfa; | 1 esta suma es finita y es simplemente 1 / (1- & alpha;), por lo que tenemos:

Al igual que con el modelo MA anterior, este análisis se puede extender para evaluar la covarianza, cov (x t, x t + k) de un proceso de primer orden AR, que encontramos rendimientos:

Para | &alfa; | & Lt; 1 esta suma es finita y es simplemente & alpha; K / (1- & alpha; 2), por lo que tenemos:

Esto demuestra que para un modelo autorregresivo de primer orden la función de autocorrelación (acf) es simplemente definida por potencias sucesivas de la autocorrelación de primer orden, α, con la condición | &alfa; 1 & lt; 1. Para & alpha; 0 es simplemente una potencia que disminuye rápidamente o una curva de tipo exponencial, tendiendo a cero, o para α <0, es una curva oscilante de amortiguación, tendiendo de nuevo a cero. Si se supone que la serie temporal es estacionaria, el análisis anterior puede extenderse a autocorrelaciones de segundo orden y de orden superior.

Con el fin de ajustar un modelo de AR a un conjunto de datos observados, tratamos de minimizar la suma de errores cuadrados (ajuste de mínimos cuadrados) utilizando el menor número de términos que proporcionan un ajuste satisfactorio a los datos. Los modelos de este tipo se describen como autorregresivos. Y puede aplicarse tanto a series de tiempo como a conjuntos de datos espaciales (véase más adelante, modelos de autorregresión espacial). Aunque en teoría un modelo autorregresivo puede proporcionar un buen ajuste a un conjunto de datos observados, que generalmente requieren la eliminación previa de la tendencia y los componentes periódicos, e incluso entonces podría necesitar un gran número de términos con el fin de proporcionar un buen ajuste a los datos. Sin embargo, al combinar los modelos AR con los modelos MA, podemos producir una familia de modelos mixtos que se pueden aplicar en una amplia gama de situaciones. Estos modelos se conocen como modelos ARMA y ARIMA, y se describen en las subsecciones siguientes.

Modelos ARMA

En las dos subsecciones anteriores se introdujo el modo MA de orden q:

Y el modelo AR de orden p:

Podemos combinar estos dos modelos simplemente agregándolos juntos como un modelo de orden (p, q), donde tenemos términos p AR y q términos MA:

En general, esta forma de modelo ARMA combinado puede usarse para modelar una serie temporal con menos términos en general que un modelo MA o AR por sí mismos. Expresa el valor estimado en el tiempo t como la suma de q términos que representan la variación media de la variación aleatoria sobre q períodos anteriores (el componente MA), más la suma de p AR términos que calculan el valor actual de x como la suma ponderada De los p valores más recientes.

Sin embargo, esta forma de modelo supone que la serie temporal es estacionaria, lo que rara vez es el caso. En la práctica, existen tendencias y periodicidad en muchos conjuntos de datos, por lo que es necesario eliminar estos efectos antes de aplicar dichos modelos. La retirada se lleva a cabo típicamente incluyendo en el modelo una etapa de diferenciación inicial, típicamente una, dos o tres veces, hasta que la serie es al menos aproximadamente estacionaria, sin mostrar tendencias obvias ni periodicidades. Al igual que con los procesos MA y AR, el proceso de diferenciación se describe por orden de diferenciación, por ejemplo 1, 2, 3. En conjunto, estos tres elementos forman un triple: q define el tipo de modelo aplicado. En esta forma, el modelo se describe como un modelo ARIMA. La letra I de ARIMA se refiere al hecho de que el conjunto de datos ha sido diferenciado inicialmente (ver diferenciación) y cuando el modelado es completo los resultados entonces tienen que ser sumados o integrados para producir las estimaciones y pronósticos finales. El modelo ARIMA se discute a continuación.

Modelos ARIMA

Como se señala en la subsección anterior, la combinación de la diferenciación de una serie temporal no estacionaria con el modelo ARMA proporciona una poderosa familia de modelos que pueden aplicarse en una amplia gama de situaciones. El desarrollo de esta forma extendida de modelo se debe en gran parte a G E P Box y G M Jenkins, y como resultado los modelos ARIMA también se conocen como modelos Box-Jenkins.

El primer paso en el procedimiento de Box-Jenkins es diferenciar la serie temporal hasta que esté estacionaria, asegurando así que los componentes de tendencia y estacionales sean eliminados. En muchos casos, una o dos etapas de diferenciación son suficientes. La serie diferenciada será más corta que la serie de origen por c intervalos de tiempo, donde c es el rango de la diferenciación. Un modelo ARMA se ajusta a las series de tiempo resultantes. Debido a que los modelos ARIMA tienen tres parámetros hay muchas variaciones a los posibles modelos que podrían ser instalados. Sin embargo, la decisión sobre cuáles deben ser estos parámetros puede guiarse por una serie de principios básicos: (i) el modelo debe ser lo más simple posible, es decir, contener tan pocos términos como sea posible, lo que significa los valores de p y q Debe ser pequeño; Ii) el ajuste a los datos históricos debería ser lo más eficaz posible, es decir, el tamaño de las diferencias cuadradas entre el valor estimado en cualquier período de tiempo anterior y el valor real debería minimizarse (principio de los mínimos cuadrados) - los residuos de los valores seleccionados Entonces se puede examinar el modelo para ver si los restos restantes son significativamente diferentes de 0 (véase más abajo); (Iii) la autocorrelación parcial medida en los intervalos 1,2,3. Debe proporcionar una indicación del orden del componente AR, es decir, el valor elegido para q; (Iv) el diagrama de la forma de la función de autocorrelación (acf) puede sugerir el tipo de modelo ARIMA requerido - la tabla a continuación (del NIST) proporciona orientación sobre la interpretación de la forma del acf en términos de selección del modelo.

Selección del tipo de modelo ARIMA usando la forma acf

Gráfico EWMA en Excel

Utilice el gráfico EWMA cuando tenga una muestra y desee detectar cambios pequeños en el rendimiento.

El rendimiento del gráfico EWMA (exponencialmente ponderado promedio móvil) es similar al gráfico de Cusum.

Ejemplo de un gráfico EWMA creado en las macros QI para Excel

Para crear un gráfico de control EWMA dentro de las macros QI:

Resalte sus datos y seleccione & quot; EWMA & quot; De los gráficos de control (SPC) Menú desplegable (también ofrecemos una plantilla para rellenar el espacio en blanco de EWMA).

Una vez seleccionado, se le pedirá que acepte el parámetro alfa predeterminado de 0.2 o introduzca en su propio:

Por Montgomery 4ª Edición, los valores de О en el intervalo 0.05 funcionan bien en la práctica, siendo О = 0.05, О = 0.10, y О = 0.20 siendo opciones populares. Una buena regla general es usar valores más pequeños de О para detectar cambios más pequeños. & Rdquo;

Después de haber creado su gráfico, puede actualizar / editar su parámetro alfa, en la sección "Obs 1 Data & quot; , En la pestaña & quot; Peso & quot; celda:

Nota . Cuanto más bajo sea el valor del parámetro alfa, más cerca será su UCL y LCL del CL; y viceversa.

Estadísticas Computacionales Estadísticas Computacionales con Aplicaciones

La disponibilidad de computadoras personales, software computacional y representaciones visuales de datos permite a los gerentes concentrarse en revelar hechos útiles a partir de cifras. Since the burden of computation has been eliminated, the managers are now able to focus on probing issues and search for creative decision-making under uncertainty.

To search the site . try E dit | F ind in page [Ctrl + f]. Enter a word or phrase in the dialogue box, e. g. & Quot; test" or " Chi" If the first appearance of the word/phrase is not what you are looking for, try F ind Next.

Introducción

Personal computers, spreadsheets, professional statistical packages, and other information technologies are now ubiquitous in statistical data analysis. Without using these tools, one cannot perform any realistic statistical data analysis on large data sets. This Web site is concerned with the use of computers in statistical data analysis. Statistical procedures are illustrated using the widely available, commercial statistical software packages, such as SPSS and SAS. This site also references tools that can be found on the Internet.

The appearance of computer software, JavaScript Applets. Statistical Demonstrations Applets. and Online Computation are the most important events in the process of teaching and learning concepts in model-based statistical decision making courses. These tools allow you to construct numerical examples to understand the concepts, and to find their significance for yourself.

Statistical software systems are used to construct examples, to understand the existing concepts, and to find new statistical properties. On the other hand, new developments in the process of decision making under uncertainty often motivate developments of new approaches and revision of the existing software systems. Statistical software systems rely on a cooperation of statisticians, and software developers.

Computer-assisted Learning . My teaching style deprecates the 'plug the numbers into the software and let the magic box work it out' approach.

Use any or online interactive tools available on the WWW to perform statistical experiments (with the same purpose, as you used to do experiments in physics labs to learn physics) to understand statistical concepts such as Central Limit Theorem. Statistical applets are entertaining and educating.

Computer-assisted learning is similar to the experiential model of learning. The adherents of experiential learning are fairly adamant about how we learn. Learning seldom takes place by rote. Learning occurs because we immerse ourselves in a situation in which we are forced to perform. You get feedback from the computer output and then adjust your thinking-process if needed.

Learning Objects: Most online courses are not learning systems. The way the instructors attempt to help their students acquire skills and knowledge has absolutely nothing to do with the way students actually learn. Many instructors rely on lectures and tests, and memorization. All too often, they rely on "telling." No one remembers much that's taught by telling, and what's told doesn't translate into usable skills. Certainly, we learn by doing, failing, and practicing until we do it right. The computer assisted learning serves this purpose.

The Needs for Statistical Computer-packages . Without a computer one cannot perform any realistic statistical data analysis having large data set. To perform for statistical data analysis, the on-line statistical calculators such as Excel have three major problems: they are slow and depend on the cyberspace connection, and the more serious problem is that they are very limited and no where equal commercial off-the-shelf statistical package such as SAS (statistical analysis system), and SPSS (statistical package for social sciences). Finally it is well known that the functions in Excel are poor, and often returns the answer #NUM which usually means that the algorithm Excel is using has crashed.

As more examples, the problems that rendered Excel 97 unfit for use as a statistical package have not been fixed in either Excel 2000 or Excel 2002 (also called "Excel XP"). Microsoft attempted to fix errors in the standard normal random number generator and the inverse normal function, and in the former case actually made the problem worse.

SAS is a widely used and powerful tool for data analysis with excellent data management capabilities. There are over 400 other statistical packages, however a working familiarity with these two major statistical systems will carry over easily to other environments. Comparing, for example SPSS with Excel, there is no doubt that SPSS does a much better job. For example, SPSS makes adding and dropping variables in regression analysis so easy it is trivial while Excel makes it very difficult. Plus, the results you get in SPSS are generally clearer and more useful than Excel. Excel is not always reliable. I want statistics to be something you find useful in your business careers. In order for that to happen, you have to continue to use and understand statistics after you leave my classroom.

Both SAS and SPSS are commercial/professional statistical packages that are in widespread use internationally. Competence with these packages will substantially enhance your prospects with potential employment opportunities. Thus the class experience is designed to mirror real world requirements, therefore you should not be at a disadvantage in the market place.

References and Further Readings:

McCullough B. B. Wilson, On the accuracy of statistical procedures in Microsoft Excel 2000 and Excel XP, Computational Statistics and Data Analysis . 40(4), 713-721, 2002.

Getting Started with SPSS on NT

The following are the list of programs for your HW assignments written for SPSS and SAS using the VAX system (program narrative is given in outline form and may not always be complete, however you should be able to complete them).

SPSS (Statistical Package for the Social Sciences) is a data management and analysis product. It can perform a variety of data analysis and presentation functions, including statistical analyses and graphical presentation of data.

This document is for Windows users who are unfamiliar with SPSS. The document assumes that SPSS software is installed in the machine you use and that you know:

1. how to use a two-button computer mouse.

2. how to use pull-down menus and dialog boxes.

3. how to locate file and program icons.

Log on the NT Workstation using your NT account. Click Start, Run on the task bar. Enter the name of the configuration program in the box. The file name is

Q:\32bitappa\spss75\newuser. bat

Note: Each user only has to do this one time.

Starting SPSS

Locate the SPSS icon in the Program Manager or the icon for an SPSS file in the File Manager. When you see the icon, double-click on it. When SPSS starts, a large window containing several smaller windows appears. Each smaller window either displays the contents of a file, or can be used to enter data or edit text to be saved later as a file.

Data can be entered into the Newdata window. Statistical and graphical procedures can be selected by clicking on the items Statistics or Graphs from the top menu bar of the SPSS window. Additional pop-up menus appear; make your selection and follow the directions in the resulting dialog boxes.

Exiting from SPSS

To exit from SPSS, first make sure that you have saved all your work. Then:

1. With your mouse, click on the File item on the menu bar on top of the SPSS window.

2. In the pop-up menu that appears, click on Exit.

Opening an existing SPSS system file

1. Click on the File item on the menu bar on top of the SPSS window.

2. In the pop-up menu that appears, click on Open.

3. In the next pop-up menu, click on Data.

4. A list of currently available files is shown in a box at the upper left of the resulting dialog box. To open a file listed in this box, double-click on the file name. The file opens into a window similar to the Newdata window that opened when you started SPSS.

The data file type that is read by default is the SPSS Windows system file, which has a file extension of. sav. The pop-up selection box just below the file list allows you to open other types of data files, such as SPSS PC+ system files, SPSS portable files, Excel files, Lotus 1-2-3 files, SYLK files, Dbase files, and tab - delimited files.

Opening an existing SPSS Chart file

1. Click on the File item on the menu bar on top of the SPSS window.

2. In the pop-up menu that appears, click on Open.

3. In the next pop-up menu, click on Chart.

4. A list of currently available files is shown in a box at the upper left of the resulting dialog box. To open a file listed in this box, double-click on the file name. The file opens into a syntax window.

Opening an existing SPSS Syntax file

1. Click on the File item on the menu bar on top of the SPSS window.

2. In the pop-up menu that appears, click on Open.

3. In the next pop-up menu, click on SPSS Syntax.

4. A list of currently available files is shown in a box at the upper left of the resulting dialog box. To open a file listed in this box, double-click on the file name. The file opens into a syntax window.

5. To run the syntax, select the lines you want to run. Click on the Run button at the top of the syntax window. Alternatively, you can run a block of syntax at the bottom of a window by moving your cursor to the beginning of the starting line and clicking on Run.

Opening an existing SPSS output file

1. Click on the File item on the menu bar on top of the SPSS window.

2. In the pop-up menu that appears, click on Open.

3. In the next pop-up menu, click on SPSS Output.

4. A list of currently available files is shown in a box at the upper left of the resulting dialog box. To open a file listed in this box, double-click on the file name. The file opens into a output window.

Saving a File

Regardless of the type of file, saving to disk requires the same steps:

1. Click once along the tope border to make certain that the window containing the file you want to save is active.

2. Click on the File item on the menu bar at the top of the SPSS window.

3. In the pop-up menu that appears, there is a choice of Save type, where type can be Data, Syntax, Chart, or Output, depending on the currently active window. (This feature reminds you of the type of file you are saving.) Click on Save type.

If you have already saved the contents of the window during the current session, the current contents of the window are now saved to the same file. (Keep in mind that this deletes the previously saved version. to save the contents of the window as a new file, click on Save As instead, and follow the instructions below.)

If you have not saved the contents of the window during the current session, a dialog box appears. Type the name of the file into the File Name box, and click on OK. The simplest way to save to a director or drive other than the currently active one is to write the entire path and address in the File Name box, and click on OK. For example, to save a file on a diskette in the A: drive, type a:\filename. ext.

SPSS uses several default file extensions when saving files. It is generally best to use those defaults, because when you use the SPSS file opening dialog box, only files with the default extensions are listed in the field selection box.

Printing a File

Regardless of the type of file, saving to disk requires the same steps:

1. Click once along the tope border to make certain that the window containing the file you want to save is active.

2. Click on the File item on the menu bar at the top of the SPSS window.

3. In the pop-up menu that appears, click on Print. If there is no printer currently set up for your computer, you will not be able to make this selection.

A Guide for Using SAS on VAX System

SAS Command File, and Its Syntax Rules

SAS programs are divided into DATA steps and PROCs. The purpose of the data step is to create one or more SAS data sets. The data step contains statements which read in raw data files or existing SAS data sets. Other data step tasks include transforming, creating, and selecting variables, selecting cases, defining missing data, and providing labels for variables. The data step begins with the word DATA followed by the name of a data set.

SAS PROCs are used to analyze or graph data or provide information about a SAS data set. For example, PROC REG performs multiple regression on sample data, while PROC CONTENTS tells the user the name and location of the variables in a SAS data set.

A SAS program may contain one or more data steps and/or one or more procedures.

Words: Words may be in upper, lower, or mixed case. Values of character variables must match data values exactly (case-sensitive).

Variable names: Variable names may be one through eight characters in length. All variable names must begin with an alphabetic character (A-Z, a-z) or an underscore (_). Subsequent characters may include digits. A variable list such as V1-V5 means V1, V2, V3, V4, and V5. Certain names are reserved for use by SAS, e. g. _N_, _TYPE_, and _NAME_. Similarly, logical operators such as ge, lt, and, and eq should not be used as variable names.

Statements: A statement may begin anywhere on a line and may be continued on additional lines as necessary. Statements end with a semicolons (;). Statements which beginning with an asterisk (*) are treated as comments and are not interpreted. A comment is concluded with a semicolon. A group of statements preceded by /* are ignored until */ is read (block comment). Semicolons between the /*. */ have no effect. Multiple statements may appear on a line; they must be separated by semicolons.

The Data Step: The data step begins with the word DATA followed by a name for the temporary or permanent data set to be output by the data step. See the above for sample programs which create and use temporary SAS data sets. The data step includes instructions about where to find the data and how to read the values from the data file. To refer to a missing value for a numeric variable, use a ".".

SAS PROCS: SAS PROCs (procedures) are used for many purposes including carrying out statistical analysis (e. g. PROC REG, PROC MEANS), displaying information about a SAS data set (e. g. PROC CONTENTS, PROC PRINT), and creating graphs (PROC PLOT). Most PROCs produce output of some kind. The output of statistical PROCs usually appears in the listing file. The PROC(s) must appear after a data step which creates the SAS data set used in the procedure. The word PROC automatically terminates a SAS data step. Data step commands may not appear after a PROC unless a new data step is initiated with the word DATA. A SAS PROC begins with word PROC followed by the name of the specific procedure (e. g. PROC REG). Some PROCs have options or subcommands which allow the user to output information into a SAS data set (e. g. PROC UNIVARIATE, PROC REG). The default data set used by a PROC is the data set created by the last data step or PROC before the current PROC. To change the data set used by a PROC, use the DATA= option on the PROC line.

Some Introductory SAS Routines

Test for Equality of Proportions: Suppose in a random sample of size n=1000, number of categories A, B and C are is 330, 300, and 370, respectively. We wishes to test

H0: p(A)=p(B)=p(C), versus, H1: at least one pair of p(.)s is unequal.

A Guide for Using SPSS on VAX System

Get *, type QUIT

If no error continue with step 6. Otherwise go to step correct them, then follow steps 3-5 again!

6. PRINT A HARD COPY

Type: $PRINT/NAME=your name the output file

FOR EXAMPLE: $PRINT/NAME=ARSHAM PROG1.OUT

7. EXIT MAINFRAME

Check your hard copy first!

Type LOGOFF then return

TIME SAVER: 1. COPY PREVIOUS FILES

When working on subsequent computer assignments, you can copy previous files to save time typing. At the $ prompt type:

COPY PROG1.SPS PROG2.SPS

To begin working on the new file, type EDT (space) name of the new file. P. ej.

EDT PROG2.SPS

Carefully chance the old file to the new file data and commands as needed. Continue on the step 3-7.

Extended Version of SPSS

You may like to use the Extended Version of SPSS. If so replace the first line in your program file with the following two JCL lines

$START_SPSSX

$SPSSX/NOBANNER/OUTPUT=.

After submitting your job, you receive notification that the job in completed, together with some massages. Ignore these messages and proceed as with the usual SPSS version.

To read data from a data file SPS. DAT The following program file consists of a sequence of SPSS commands designed to read data and process it. Usually, there are title and subtitle statements at the top of the program to describe the project and statistical procedure. Next comes the data dictionary statements. These include the data list statement naming and defining the variables and their locations in the data file (or get file, to read in an SPSS system file or import file to read in an SPSS portable file; the variable labels statement, providing the longer descriptions of the variable names; and the value labels statement that provides the values and their labels of each of the categorical variables.

After the data dictionary section of the program comes the transformation section. In this section, the recode statements, conditional if statements, and missing value statements may be found. New variables are constructed in this section using these and other SPSS functions. Variable labels and value labels for these new variables may be included after their creation.

The data usually follow. The beginning of the data is announced with the Begin data statement. The end data statement stipulates the ending of the data.

Penultimately, there is the statistical procedure section of the program. Within this section, the Statistical Procedures commands may be found. These commands specify the statistical analysis and variations of it to be run on the variables indicated.

Data Truncation: Suppose you have a variable which contains data of the format, 22.14, 22.32, 22.52, etc. If you wish to have only the integer part but rounded up despite the decimal component - so in the above example the results would all be 23, what SPSS commands should we be used? We may use "mod function" and then subtract the answers from the original variable and adding 1 to the result. Alternatively, one may use the "function trunc" in SPSS.

Structure of an SPSS Control File

SPSS Routines for Numerical Example in Your Textbook

Some other SPSS useful commands

Type I Error

We know that if random numbers are generated, there will be no correlation between them. If any correlation is found, a type I error has been committed. The following is a Monte Carlo experiment:

Repeat this process, say 200 times and then generate the histogram of correlations.

IF Statement

The IF command executes a COMPUTE-like calculation depending on whether or not a specified condition is met. The format of the IF command is:

IF (Logical Expression) Arithmetic Expression

For example: IF (AGE GE 5 AND AGE LE 7) AGEGROUP=1

which will assign the value 1 to AGEGROUP if the logical expression is true.

COUNT Statement

The COUNT command is a special data transformation utility used to create a numeric variable that, for each case, counts the occurrences of the same value (or list of values) across a list of numeric or string variables.

COUNT GANS=ANS1 TO ANS5 (1 thru 9)

GANS will be equal to the count of how many of ANS1 to ANS5 are 1 thru 9.

This command is useful for the following:

COMPUTE ANSAVG1=(ANS1+ANS2+ANS3+ANS4+ANS5)/GANS

which gives the true average.

The COUNT command will not generate the system missing value and it ignores the missing value status of a user missing value.

DO IF Statement

You can execute one or more conditional transformations on the same subset of cases via the DO IF - END IF structure. The specification on the DO IF command is a logical expression.

This DO LOOP only applies to females.

This DO LOOP only applies to males.

Descriptive Commands

Data Analysis Routines

Note: Programs are the coded numerical examples given in Statistical Data Analysis Handbook . F. Wall, McGraw-Hill, 1986.

Introduction Edit

This procedure estimates nonseasonal and seasonal univariate ARIMA ( A uto r egressive I ntegrated M oving A verage) models (also known as “Box-Jenkins” models) with or without fixed regressor variables. The procedure produces maximum-likelihood estimates and can process time series with missing observations.

An example Edit

You are in charge of quality control at a manufacturing plant and need to know if and when random fluctuations in product quality exceed their usual acceptable levels. You’ve tried modeling product quality scores with an exponential smoothing model but found—presumably because of the highly erratic nature of the data—that the model does little more than predict the overall mean and hence is of little use. ARIMA models are well suited for describing complex time series. After building an appropriate ARIMA model, you can plot the product quality scores along with the upper and lower confidence intervals produced by the model. Scores that fall outside of the confidence intervals may indicate a true decline in product quality.

Illustration Edit

For each iteration: seasonal and nonseasonal lags (autoregressive and moving average), regression coefficients, adjusted sum of squares, and Marquardt constant. For the final maximum-likelihood parameter estimates: residual sum of squares, adjusted residual sum of squares, residual variance, model standard error, log-likelihood, Akaike’s information criterion, Schwartz’s Bayesian criterion, regression statistics, correlation matrix, and covariance matrix.

SPSS Basic Skills Tutorial: Basic Analyses

The Analyze Menu is the work horse of SPSS. Nearly all procedures that generate output are located on this menu. For this review, however, we only focus on several of these hundreds of analyses. In fact, the three procedures that follow all provide some of the same statistics.

Frequencies

The frequencies procedure is primarily used for discrete data (e. g. nominal and ordinal data), although there are a number of options that are useful for scale level data.

This option brings up a dialogue box, and we need to move the variables of interest from the field on the left to the field on the right.

For nominal variables, for which further descriptives statistics are not appropriate (with the exception of the mode), we can skip the Statistics to obtain frequencies for each category.

For ordinal and scale variables, though, we will want to specify additional descriptive statistics to be calculated. These can be broken down into measures of central tendency (mean, median, mode, sum), variability (variance, standard deviation, range, minimum, maximum), and percentiles. This last category includes quartiles (25th, 50th, and 75th percentiles), cut-points for an arbitrary number of groups, and any arbitrary percentile.

Most options are selected simply by clicking on the box next to each item. For specific, arbitrary percentiles, select the option, type the desired percentile in the field to the right, and then click on the add button below:

Which results in the desired percentile being added to the list. Note that one can always delete or modify an entry. Also, more than one entry may be made.

These options generate the following output:

Descriptives

We can get many of these same statistics from the Descriptives item. The options available, however, are fine-tuned to scale level variables.

Then, we click on the Options button to determine which statistics should be computed.

These options, then, generate the following output.

Compare Means

One final method for obtaining descriptive statistics focuses on generating statistics from multiple goups quickly and efficiently. This procedure is obtained from the Compare Means item of the Analyze menu, and then the Means item on the submenu.

The dialogue box requires that we select two variables: The dependent variable is the one on which the statistics are computed, and the independent variable list contains the discrete variables that characterize the different groups.

For example, if we want to compute average stress values based on pet ownership, the dialogue box would look like the following.

And the output would look like the following.

If we want to consider more than one different group, we can add layers to the independent variable list. For instance, we might want to compute means separately for men and women within each pet ownership group. We start by clicking on the Next button to add another layer

Doing so creates a field for the second layer, in which we specify the next grouping variable.