Version 2017.2

NLEN02.png

Was ist neu in XLSTAT Version 2017.2?

  • Zuverlässigkeitsanalyse: Ein innovatives Feature, mit dem Sie die Zuverlässigkeit einer Gruppe quantitativer Variablen berechnen können. Die Funktion ist über das Datenmenü von allen XLSTAT Lösungen aufrufbar. Es beinhaltet die interne Konsistenzanalyse auf der Basis von Cronbach‘s Alpha. Viele weitere neue Optionen werden, die in Kürze zur Verfügung stehen, integriert.
  • Agglomeratives hierarchisches Clustering: Die kophenetische Korrelationsmatrix sowie der zugehörige Kophenetiekoeffizient ermöglichen es Ihnen, die Klassifizierungsqualität zu bewerten. Er kann durch Aktivierung der entsprechenden Option im Register Output des Dialogfeldes berechnet werden. Das Feature ist in allen XLSTAT Lösungen enthalten.
  • PLSPM: Viele Anpassungsgüteindizes, einschließlich SRMR, GD, dULS, Chi-Square und Likelihood, wurden implementiert. Um diese zu aktivieren, klicken Sie auf die entsprechende Option auf der Registrierkarte Ausgaben des Dialogfelds Ausführen. Verfügbar in den XLSTAT Lösungen: XLSTAT-Psy, XLSTAT-Marketing und XLSTAT-Premium.

Letzte Veranstaltungen

This module focuses on Analysis of Variance, but this technique makes assumptions about the underlying distributions in our data

This course covers the excellent features in XLSTAT for investigating, visualising and modelling data sets with measurements on many variables.

This short course delivered online will show consumer scientists how to set up and learn about the routines available in XLSTAT for relating consumer acceptability to sensory/analytic measures.

Letzte Tweets

🗓️ L'équipe française d'@Addinsoft participe à la #conférence PROGEDO pour la semaine DATA SHS organisée par la Ma… https://t.co/ZgML5bsgFU

🧑‍💻 Join us — learn #statistics and multivariate analysis with our #XLSTAT#training program led by Jean-Paul Maalo… https://t.co/vZ8830CHos

🔎 Are you new to #XLSTAT? 🧑🏼‍💻 Start your learning experience now with our new My Assistant interface! This helpfu… https://t.co/QrTF7EUvVm