Sagata Regression Pro 1.0
Vous pourrez télécharger en 5 secondes.
Sur Sagata Regression Pro
Sagata Multiple Regression software offre la puissance d’un package de régression professionnelle avec la facilité et le confort d’une interface Microsoft Excel. Les caractéristiques incluent : Facteurs qualitatifs/catégoriques - souvent les intrants ou les facteurs dans l’ajustement du modèle sont de nature qualitative ou catégorique, par exemple, le type de maison (brique, morue du cap ou coloniale) ou le nom du district scolaire. S.R. Pro offre une intégration totalement transparente des facteurs catégoriques et continus. Traitement backend efficace - souvent les modèles de régression impliquent des milliers, voire des dizaines de milliers de points de données. Le moteur de programme C++ efficace de S.R. Standard et Pro permet d’économiser des minutes, voire des heures d’attente, par rapport à de nombreux packages microsoft Excel dans ces cas. Génération de modèles interactifs - les experts préfèrent généralement choisir leurs modèles de manière interactive en fonction de la nature de leur problème et des informations statistiques pertinentes. Sagata Regression offre une fonctionnalité de modélisation personnalisée puissante pour la génération facile de modèles de deuxième et troisième commandes. Moteur interactif graphique 3D - tracer les résultats des modèles de régression est souvent essentiel pour aider les décideurs à visualiser l’impact des variations d’entrée sur les sorties. Sagata Regression génère des parcelles de surface visuellement attrayantes et entièrement réglables. Cross-validation/MinPRESS Automodeling - approche exclusive de sélection automatique de type stepwise avec l’avantage de l’évaluation du modèle de type validation croisée. Pondération des données - La régression pondérée permet aux utilisateurs de minimiser les données associées à des erreurs de mesure plus élevées. Stepwise Regression Automodeling - offre une fonction de régression stepwise pour sélectionner le modèle « optimal » automatiquement. Régression robuste (pour les valeurs aberrantes) - généralement certaines des données ne sont pas entièrement fiables. Dans ces cas, les alternatives à la régression des moins carrés sont moins influencées par un petit nombre d’observations aberrantes ou de valeurs aberrantes.