Nowy typ analizy: Analiza Głównych Składowych (PCA)
	Nowy typ analizy: Regresja Głównych Składowych (PCR)
	Nowy typ wykresu: Wykres bąbelkowy dla wielu zmiennych danych
	Nowy typ wykresu: Estymacja przedziałowa z t-testu
	Rozszerzona analiza: Wielokrotne porównanie testem Studenta
	Rozszerzona analiza: Interpolacja dla regresji liniowej wielu zmiennych
	Zwiększone limity tabel danych
	Usprawnienia dla tabel danych wielu zmiennych
	Automatyczne dodawanie wyników wielokrotnych porównań do wykresów
	Ogólne usprawnienia analiz

✓ Analiza głównych składników (PCA)

Analiza głównych komponentów (PCA) - metoda używana do rzutowania danych z wyższej przestrzeni wymiarowej na niższą poprzez maksymalizację wariancji każdego nowego wymiaru. PCA jest najczęściej używane jako narzędzie do eksploracyjnej analizy danych i do tworzenia modeli predykcyjnych. Jest również często używany do wizualizacji odległości genetycznej i pokrewieństwa między populacjami.

• nowe typy wykresów generowane przez PCA
• Scree plots - wykresy służą do wizualizacji surowych wartości własnych dla każdego głównego składnika (PC) zidentyfikowanego w analizie głównych składników (PCA).
• Score plots - wykresy punktacji umożliwiają przeglądanie oryginalnych danych w nowej (zredukowanej) przestrzeni wymiarowej dwóch wskazanych komputerów PC (zwykle PC1 jako oś pozioma i PC2 jako oś pionowa).
• Loading plots - wykresy zapewniają sposób wizualizacji współczynników dla dwóch wybranych głównych składników.
• Biplots - to kombinacja Scree plots i Score plots
• Proporcja wykresów wariancji - ten wykres jest podobny do wykresu opisanego powyżej, ale jest używany z nieco innym stylem interpretacji.
• wybór komponentów za pomocą analizy równoległej (a także metoda Kaisera, metoda progu całkowitej wariancji i innych)
• generowanie Scree Plots, Score Plots i Biplots
• automatyczne przygotowanie wyników PCA do dalszego wykorzystania w regresji głównych składowych (Principal Component Regression)

✓ Dodawanie nowych wymiarów do wykresów

W nowej wersji użytkownik może tworzyć wykresy bąbelkowe bezpośrednio z surowych danych, kodując zmienne dla pozycji symbolu (współrzędne X i Y), rozmiaru i koloru wypełnienia. Należy zauważyć, że zarówno kolor symbolu, jak i rozmiar symbolu można zdefiniować za pomocą zmiennej kategorialnej (grupującej) LUB ciągłej. Na tym wykresie ponad 100 krajów jest pokazanych jako pojedyncze okręgi. Współrzędna X każdego koła przedstawia PKB (PPP) tego kraju, natomiast współrzędna Y przedstawia średnią oczekiwaną długość życia w chwili urodzenia. Rozmiar każdego symbolu jest proporcjonalny do liczby ludności kraju, który reprezentuje (dwa największe symbole reprezentują odpowiednio Chiny i Indie). Wreszcie kolor każdego symbolu reprezentuje kontynent, na którym znajduje się kraj. Ta końcowa zmienna (kolor) w tym przypadku jest zmienną kategorialną, ale kolor na wykresach bąbelkowych można również zdefiniować za pomocą zmiennych ciągłych:


Na tym wykresie współrzędna X, współrzędna Y i rozmiar symboli są takie same jak poprzednio. Jednak teraz kolor symbolu przedstawia wskaźnik urodzeń w tym kraju na 1000 osób w skali ciągłej. Prism ma teraz wbudowane półprzezroczyste schematy kolorów, dzięki czemu nakładające się symbole są lepiej widoczne.

✓ Automatycznie dodawanie wyników wielu porównań do wykresów!

Użytkownik ma możliwość przeprowadzenia odpowiedniej analizy z wieloma porównaniami par. Następnie klika raz, aby automatycznie dodać te wyniki do wykresu. Aby dostosować te linie i gwiazdki, wystarczy ponownie kliknąć przycisk paska narzędzi, wprowadzić poprawki do danych lub analizy, a wyniki wyświetlane na wykresie zostaną automatycznie zaktualizowane. Należy pamiętać, że wartości P to tylko część historii.

✓ Lepsza wizualizacja wyników testu T z wykresami estymacji

Teraz użytkownik może wykonać test t, a Prism automatycznie utworzy wykres estymacji wyników. Na tym wykresie surowe dane z obu grup zostaną naniesione na lewej osi Y. Na prawej osi Y zostanie wykreślona różnica średnich grupowych wraz z 95% przedziałem ufności. Ta wizualizacja dostarcza więcej informacji niż sama wartość P, ponieważ pokazuje, jak szeroki jest 95% CI, oprócz pokazania, czy 95% CI obejmuje zero (jeśli 95% CI obejmuje zero, wartość P będzie większa niż 0,05; jeśli 95% CI NIE obejmuje zera, wartość P będzie mniejsza niż 0,05).

✓ Wykresy wielu zmiennych w celu przedstawienia danych z wielu tabel danych

• możliwość tworzenia wykresu bąbelkowego, w którym rozmiar symbolu jest kodowany przez zmienną liczbową lub kategorialną
• możliwość zakodowania koloru symbolu i wyglądu linii łączących z innymi zmiennymi
• wszystkie te wybory są dokonywane w zupełnie nowym oknie dialogowym ‘formatuj wykres o ulepszonym wyglądzie'

✓ Nowe półprzezroczyste schematy kolorów dla wykresów bąbelkowych

Wykresy estymacji, które są wizualnym sposobem przedstawienia wyników testów porównawczych dla dwóch próbek, takich jak test t. Celem tego wykresu, który zawiera surowe dane, a także podsumowanie wyników analizy, jest podkreślenie wagi efektów i przedziałów ufności, przy jednoczesnym zmniejszeniu znaczenia pojęcia „istotności”.

Porównania parami na wykresach, czyli automatyczne generowanie wizualizacji, które łączą dane użytkownika z wynikami porównań parami wykonanymi podczas testów hipotez (tj. automatyczne dodawanie gwiazdek istotności do wykresów).