IBM SPSS Statistics是一款端到端的本地部署统计解决方案，能够简化跨行业的高级统计分析。它广泛应用于数据准备与管理、高级数据分析、预测建模以及数据可视化。该软件提供全面的资源、专家支持和久经验证的可靠性，帮助将复杂的数据转化为具有影响力的决策。它不仅面向研究人员、数据分析师、统计学家和教育工作者，也服务于商业专业人士，帮助他们从数据中提取可操作的洞察。我们的解决方案提供一整套强大的工具，可应对从基础描述统计到复杂多元分析的各种分析需求。

它被广泛应用于零售、快消品、电子商务、医疗、政府、批发分销与服务、制造业以及供应链等众多领域的个人和组织，这些用户都在寻求一种先进的统计解决方案，能够通过一个易用、准确、可靠且安全的平台，轻松简化复杂的统计检验。

IBM SPSS Statistics 31版本推出了一套全面的新算法、一流的功能和产品增强，旨在全面提升数据分析能力与用户体验。该版本为组织提供了强大的工具集，支持通过即席分析、假设检验和预测分析来评估数据，验证假设、分析过往表现并预测趋势。新增功能包括邻近映射、距离相关、时间序列过滤、STATS Earth以及条件推断树，同时还引入了令人振奋的“精选帮助”功能。

邻近映射（PROXMAP）
邻近映射是一种应用于地理、生物、科技等多个领域的技术，用于分析并可视化不同要素或实体之间的关系或距离。它帮助研究者、规划人员和分析师理解所研究要素在空间或关联上的动态，从而辅助决策、识别模式、优化系统等。

它通过测量地理要素之间的距离来理解其空间关系，包括计算点、线或面之间的距离，广泛应用于地理信息系统（GIS）中以分析空间模式与相互作用。

该功能使企业能够提供个性化促销和实时导航服务，在零售店、购物中心、机场和医院等场所提升客户体验。借助位置数据洞察顾客行为，企业可实施高度精准的营销活动，提高转化率并激发冲动购买。同时，邻近映射还能优化库存管理与人员配置，显著提升运营效率。早期采用者通过提供先进的个性化体验赢得竞争优势，培养客户忠诚度；而所收集的丰富行为洞察，则帮助企业迅速识别并适应新兴趋势。

关键优势
多维尺度分析中的邻近度映射技术在多个领域具有重要的商业价值。该技术能够帮助企业直观呈现并分析数据点间的复杂关系，从而带来以下关键优势：

• 客户洞察与细分：通过基于MDS的邻近映射分析客户数据，企业可识别出偏好、行为或特征相似的客群。这一细分为精准营销策略、个性化产品及提升客户满意度提供宝贵依据。

• 市场理解与竞争分析：邻近映射帮助企业洞察市场动态、竞争定位和品牌感知。通过依据客户认知或市场属性对产品、服务或品牌进行映射，企业可识别市场趋势、竞争优势及差异化机会。

• 供应链优化：邻近映射在优化供应链运营中发挥关键作用。通过绘制供应商、配送中心与需求点之间的空间关系图，企业能够简化物流流程、降低运输成本、缩短交付周期，并全面提升供应链效率。

• 风险管理与决策支持：邻近映射可助力各业务环节的风险评估与决策制定。在金融与投资领域，它能帮助实现投资组合多元化、资产配置优化、风险缓释，并识别资产间的关联性，为投资决策提供依据。

距离相关
距离相关是一种衡量两个随机变量或数据集之间统计依赖性的方法，能够同时捕捉线性与非线性关系。它是一种稳健且通用的方式，用于检验两个数值变量之间是否存在关联。在统计分析中，理解两个变量之间的关系是基础。传统方法（如皮尔逊相关系数）仅能捕捉线性关联。然而，真实世界数据--尤其在金融行为领域--常表现出线性方法无法检测的非线性或复杂依赖关系。此时，距离相关便派上用场：作为更灵活的指标，它能识别变量间任何形式的统计依赖（线性或非线性）。

与仅衡量线性依赖的皮尔逊相关不同，距离相关能够捕捉复杂关联，因此特别适用于高维数据分析。当且仅当变量在统计上完全独立时，距离相关才为零。因此，在分析行为或人口统计等多维数据时，距离相关是揭示复杂交互关系的有效工具，尤其适用于那些模式不呈直线关系的变量。

关键优势
• 捕捉非线性依赖：对所有变量组合计算成对相关性，可同时检测线性与非线性关系，突破传统方法局限。

• 灵活标准化：提供多种方法（最小-最大、Z分数、稳健、对数）对数据进行标准化，增强对不同分布和异常值的适应能力。

• 稳健显著性检验：支持自定义置换检验，为小样本或非正态数据集提供可靠推断。

• 全面输出：提供详细表格与散点图可视化，清晰洞察数据关系。

• 应用范围广泛：适用于生物信息学（如基因表达分析）、金融（如投资组合风险评估）、机器学习（如特征依赖分析）、社会科学（如调查数据关系）及环境科学（如气候变量交互作用）等领域，尤其擅长处理高维、非线性数据。

时间序列滤波器
时间序列滤波器专为解决含噪时序数据而设计。通过采用Hodrick-Prescott（HP）滤波、Baxter-King（BK）滤波与 Christiano-Fitzgerald（CF）滤波等先进算法，帮助用户更清晰地洞察数据的潜在规律，从而实现更精准的预测、更高效的异常检测以及更强的实时监控能力。

时间序列滤波具备多项宏观优势，是高效数据分析与预测的关键。它有助于识别长期趋势、周期波动与季节模式，从而把握数据的总体走向与周期性行为；同时显著提升预测模型的准确度，并辅助异常值检测，确保数据完整性并及早发现潜在问题。这些优势共同铸就更可靠、更具洞察力的时间序列分析。

关键优势
• 更精准的预测：去除噪声后的“干净”数据，可更准确地预判未来趋势。

• 提升异常检测：有效滤除正常波动，令真实偏离与异常事件在时间序列中一目了然。

• 高效决策：揭示原本隐藏的潜在趋势与模式，使企业能够迅速、战略性地应对变化。

• 更清晰的趋势识别：让数据中的长期模式与周期更加直观可见，助你深入洞察底层运行规律。

• 增强实时监控：为流式数据提供更平滑、稳定的视图，提升实时警报与洞察的准确性。

条件推断树
这是一种利用统计检验来选择分裂变量的决策树。该方法避免了传统决策树（常使用基尼系数等度量）所带来的偏差，通过同时考虑所有其他效应，更准确地判断预测变量的真实作用。

关键优势
• 减少偏差：传统决策树常依赖有偏度量，而条件推断树通过统计检验选择变量，显著降低选择过程中的偏差。

• 统计显著性：该方法确保数据分裂具有统计显著性，增强模型稳健性，使决策更有底气。

• 防止过拟合：通过统计检验指导分裂过程，条件推断树比传统决策树更不易过拟合，使模型在新数据上的泛化能力更强。

STATS EARTH
多元自适应回归样条（MARS）概述MARS程序在SPSS中实现为STATS EARTH，通过拟合分段线性段和一个热编码虚拟变量来构建预测模型，以模拟非线性和相互作用。

精选帮助

在对数据集执行某一统计程序时，该功能可帮助用户获取输出表格中特定数值的更多信息。目前已应用于相关分析程序。

灰显功能
未授权的算法/功能将以深灰色字体显示，并附带锁定图标，提醒用户可购买这些高级算法以进行更深入的分析；系统同时提供购买指引。

用户体验增强
深色模式全面升级
深色界面经过大幅优化，带来更舒适、沉浸的视觉体验：对比度精细调整，UI组件色板统一，表格、图表与文字的阅读体验全面优化。

可自定义Excel表头导入
现支持在导入Excel文件时自行指定作为表头的行号，对于顶部含说明或元数据的数据集尤其实用，确保变量命名与数据对齐，大幅简化数据准备流程。

实验设计（DoE）技术搜索栏
DoE模块新增搜索栏，用户可快速查找并调用各种实验设计方法；即便面对复杂或不熟悉的设计流程，也能显著提升发现效率与操作速度。

为数据透视表、图表和查看器文本创建输出主题
用户现可创建并保存自定义输出主题，将偏好的数据透视表、图表与查看器文本样式打包。主题可在各项目间复用，保证报告风格一致，大幅减少格式调整时间。

变量视图列宽持久化
变量视图中的列宽调整现可跨会话保存，布局保持一致且个性化，无需每次启动软件时重复手动拖拽。

自定义对话框 (CDB) 标签页支持助记键快捷方式
自定义对话框构建器中的标签页现已支持助记键快捷方式，用户可通过键盘快捷键在标签页之间切换，提升可访问性并加快对话框创建速度。

重新设计的启动画面，与IBM品牌形象保持一致
SPSS Statistics的启动画面已按照IBM最新品牌指南重新设计。

状态栏显示筛选后的选中个案数
当数据集应用筛选条件时，状态栏将实时显示当前被选中的个案数量，让用户即时了解筛选范围，辅助验证与分析。

为图表添加背景图并支持多格式导出
用户现可为图表添加背景图片（如徽标或水印），并支持导为.png、.jpg、.svg、.bmp、.tif 等多种图片格式及文档格式，全面满足演示与出版需求。

新增变异系数（CV）
变异系数（CV）现已在“描述统计”和“频数”中新增为统计量，并在复杂抽样、比率统计等模块统一使用“CV”标签，确保输出结果的一致与清晰。

粘贴被禁时提示必填字段
当用户尝试粘贴语法但存在必填字段未填写时，系统会即时给出上下文指引，帮助快速定位并补全缺失项，减少困扰，确保流程顺利执行。

变量合并与类型转换优化
现已简化多变量合并、变量类型转换及批量设置测量水平操作，显著减少手工步骤，令数据准备更高效。

卡方检验升级为独立菜单项
卡方检验现已在“分析 → 描述统计”下拥有独立菜单项，配备专属图标与完整语法支持，凸显其在分类数据分析中的重要地位，方便高频用户快速调用。

优化试用体验：界面升级，引导更清晰
试用版现采用更直观的界面与醒目的行动按钮，帮助新用户快速上手、深度体验核心功能，显著提升初次使用流畅度与参与度。

安全性增强
- JRE/JDK升级至17.0.13.0

- 用commons-imaging替换旧的jai_*.jar图像库

- 解决“多变量合并、类型转换及批量设置测量水平”难题

- Python升级至3.13