GraphPad Prism 9mac版是一款專為科學(xué)研究而創(chuàng)建的首選分析和圖形解決方案。功能上軟件就將生物統(tǒng)計(jì)學(xué)，曲線擬合（非線性回歸）和科學(xué)繪圖功能強(qiáng)大地結(jié)合在一起，讓使用者們在使用時(shí)能夠更加便捷輕松的完成組織，分析和繪制重復(fù)的實(shí)驗(yàn)圖。
而在這次的版本中，GraphPad Prism 9mac版也有了新的變化哦，例如新版的軟件對多變量數(shù)據(jù)表進(jìn)行了許多重大改進(jìn)，使得現(xiàn)在使用標(biāo)準(zhǔn)結(jié)構(gòu)探索更大的數(shù)據(jù)集以及現(xiàn)在支持向圖形添加新尺寸，用戶們可以直接從原始數(shù)據(jù)，符號位置（X和Y坐標(biāo)），大小和填充顏色的編碼變量創(chuàng)建氣泡圖哦等等之類的，當(dāng)然上述所述也支持軟件中的小部分具體的還是需要用戶們前往軟件中進(jìn)行查看。而對以上軟件所提供的服務(wù)內(nèi)容感興趣的話，歡迎大家下載軟件進(jìn)行體驗(yàn)。

Prism 9 for mac新版說明

一、更高維度的數(shù)據(jù)！
Prism 9對多變量數(shù)據(jù)表進(jìn)行了許多重大改進(jìn)。使用標(biāo)準(zhǔn)結(jié)構(gòu)探索更大的數(shù)據(jù)集，并通過以下改進(jìn)執(zhí)行新的和改進(jìn)的分析：
1、增加的數(shù)據(jù)限制-在每個(gè)數(shù)據(jù)表中最多輸入1024列數(shù)據(jù)
2、自動(dòng)識別變量類型-將多變量數(shù)據(jù)表中的變量識別為連續(xù)值，分類值或標(biāo)簽值
3、數(shù)據(jù)表中的文本信息-直接以文本形式輸入數(shù)據(jù)。無需編碼“ 0”和“ 1”之類的變量，只需直接在數(shù)據(jù)表中輸入“ Male”和“ Female”
4、自動(dòng)變量編碼-輸入您的數(shù)據(jù)，讓Prism負(fù)責(zé)其余的工作。Prism會自動(dòng)將分類文本變量編碼為數(shù)字“虛擬”變量

二、主成分分析（PCA）
有時(shí)，收集的變量數(shù)量遠(yuǎn)遠(yuǎn)超過可供研究的學(xué)科數(shù)量。考慮基因表達(dá)研究，其中從分為兩組的受試者中測量了成百上千種不同基因的表達(dá)水平：治療組和對照組。可能僅僅是變量太多而無法使模型適合數(shù)據(jù)。但是，選擇一些要從分析中排除的變量只會丟掉可能有用的信息！PCA是一種“降維”技術(shù)，可用于減少所需變量的數(shù)量，同時(shí)從數(shù)據(jù)中消除盡可能少的信息。
PCA中可用的其他功能包括：
1、通過平行分析（以及Kaiser方法，總方差閾值方法等）選擇組件
2、碎石圖，分?jǐn)?shù)圖和雙線圖的生成
3、自動(dòng)準(zhǔn)備PCA結(jié)果以進(jìn)一步用于多元線性回歸（主成分回歸）

三、向圖形添加新尺寸
直接從原始數(shù)據(jù)，符號位置（X和Y坐標(biāo)），大小和填充顏色的編碼變量創(chuàng)建氣泡圖。請注意，可以使用分類（分組）或連續(xù)變量來定義符號顏色和符號大小。
在此圖上，超過100個(gè)國家/地區(qū)顯示為單個(gè)圓圈。每個(gè)圓圈的X坐標(biāo)代表該國的GDP（PPP），而Y坐標(biāo)代表出生時(shí)的平均預(yù)期壽命。每個(gè)符號的大小與其所代表的國家的人口成比例（兩個(gè)最大的符號分別代表中國和印度）。最后，每個(gè)符號的顏色代表該國家所在的大陸。在這種情況下，此最終變量（顏色）是分類變量，但氣泡圖中的顏色也可以由連續(xù)變量定義：在該圖中，符號的X坐標(biāo)，Y坐標(biāo)和大小與以前相同。但是，現(xiàn)在該符號的顏色連續(xù)不斷地代表該國家每1000個(gè)人的出生率。棱鏡現(xiàn)在還具有內(nèi)置的半透明配色方案，以便可以更清晰地看到重疊的符號。

四、自動(dòng)將多個(gè)比較結(jié)果添加到圖形！
只需執(zhí)行多個(gè)成對比較的適當(dāng)分析即可。然后單擊一次以將這些結(jié)果自動(dòng)添加到圖形中。要自定義這些行和星號，只需再次單擊工具欄按鈕。調(diào)整數(shù)據(jù)或分析，圖形上顯示的結(jié)果將自動(dòng)更新。但是請記住，P值只是故事的一部分。別忘了報(bào)告效果估算值（例如，均值差異為95％置信區(qū)間?。?br />
五、使用估計(jì)圖更好地可視化T測試結(jié)果
在測試中執(zhí)行，Prism現(xiàn)在將自動(dòng)創(chuàng)建結(jié)果的估計(jì)圖。在此圖上，兩組的原始數(shù)據(jù)都將繪制在左側(cè)的Y軸上。在右邊的Y軸上，將繪制組均值的差及其95％置信區(qū)間。該可視化提供的信息比單獨(dú)的P值還多，因?yàn)樗粌H顯示了95％CI是否包含零（如果95％CI包含零，則P值將大于0.05；它還顯示了95％CI的寬度）。如果95％CI不包括零，則P值將小于0.05）

軟件功能

1、統(tǒng)計(jì)比較
配對或非配對 t 檢驗(yàn)。 報(bào)告 P 值和置信區(qū)間。
通過多重t檢驗(yàn)分析自動(dòng)生成火山圖（注意與P值的不同）。
非參數(shù) Mann-Whitney 檢驗(yàn)，包括中位數(shù)差值的置信區(qū)間。
用于比較兩組的 Kolmogorov-Smirnov 檢驗(yàn)。
含中位數(shù)置信區(qū)間的 Wilcoxon 檢驗(yàn)。
一次執(zhí)行多個(gè) t 檢驗(yàn)，使用錯(cuò)誤發(fā)現(xiàn)率（或 Bonferroni 多重比較）選擇哪些比較是需要進(jìn)一步研究的新發(fā)現(xiàn)。
進(jìn)行普通或重復(fù)測量方差分析，然后進(jìn)行 Tukey、Newman-Keuls、Dunnett、Bonferroni 或 Holm-Sidak 多重比較檢驗(yàn)，趨勢后驗(yàn)或 Fisher 最小顯著性檢驗(yàn)。
在不假設(shè)群體具有相同標(biāo)準(zhǔn)偏差的情況下，使用 Brown-Forsythe 和 Welch 方差分析進(jìn)行單因素方差分析，然后進(jìn)行適當(dāng)?shù)谋容^檢驗(yàn)（Games-Howell、Tamhane T2、Dunnett T3）
許多多重比較測試都伴隨著置信區(qū)間和多重性調(diào)整的P值。
進(jìn)行 Greenhouse-Geisser 校正，因此重復(fù)測量的單向、雙向和三向方差分析不必假設(shè)結(jié)果呈球形分布。 選擇此項(xiàng)時(shí)，多個(gè)比較檢驗(yàn)也不必假設(shè)呈球形分布。
含 Dunn 后驗(yàn)的 Kruskal-Wallis 或 Friedman 非參數(shù)單向方差分析。
Fisher 精確檢驗(yàn)或卡方檢驗(yàn)。 計(jì)算含置信區(qū)間的相對風(fēng)險(xiǎn)和優(yōu)勢比。
對即使在某些后驗(yàn)中仍缺少數(shù)值的數(shù)據(jù)進(jìn)行雙向方差分析。
對一個(gè)或兩個(gè)因素進(jìn)行重復(fù)測量的數(shù)據(jù)進(jìn)行雙向方差分析。 Tukey、Newman-Keuls、Dunnett、Bonferroni、Holm-Sidak 或 Fisher LSD 多重比較檢驗(yàn)主要和簡單效應(yīng)。
三向方差分析（限制在其中兩個(gè)因素中的兩個(gè)級別，和在第三個(gè)因素中的任意數(shù)量的級別）。
使用混合效應(yīng)模型（類似于重復(fù)測量方差分析，但能夠處理丟失的數(shù)據(jù)），分析重復(fù)測量數(shù)據(jù)（單向、雙向和三向）。
Kaplan-Meier 生存分析。 應(yīng)用對數(shù)秩檢驗(yàn)（包括趨勢檢驗(yàn)）比較曲線。
使用嵌套 t 檢驗(yàn)或嵌套單向方差分析比較嵌套數(shù)據(jù)表中的數(shù)據(jù)（使用混合效應(yīng)模型）。
2、非線性回歸
擬合我們的 105 個(gè)內(nèi)置方程式之一，或輸入您自己的方程式。 現(xiàn)在包括生長方程族： 指數(shù)生長、指數(shù)平臺、Gompertz、Logistic 和 beta（先增長后衰減）。
輸入微分或隱式方程。
輸入用于不同數(shù)據(jù)集的方程。
全局非線性回歸 – 在數(shù)據(jù)集之間共享參數(shù)。
強(qiáng)大的非線性回歸功能。
自動(dòng)識別或消除離群值。
使用額外的平方和 F 檢驗(yàn)或 AICc 比較模型。
比較數(shù)據(jù)集之間的參數(shù)。
應(yīng)用約束。
通過幾種方法差分權(quán)重，并評估加權(quán)方法的效果。
接受自動(dòng)初始估計(jì)值或輸入您自己的值。
在指定的X值范圍內(nèi)自動(dòng)繪制曲線圖。
使用參數(shù) SE 或 CI 量化擬合精度。 置信區(qū)間可為對稱性（傳統(tǒng)上）或不對稱性（更準(zhǔn)確）。
應(yīng)用 Hougaard 偏度量化不精確的對稱性。
繪制置信度或預(yù)測帶。
檢驗(yàn)殘差的正態(tài)性。
運(yùn)行或復(fù)制模型充分性檢驗(yàn)。
報(bào)告協(xié)方差矩陣或依賴集。
從最佳擬合曲線中輕松插入數(shù)據(jù)點(diǎn)。
將直線擬合到兩個(gè)數(shù)據(jù)集，并確定交點(diǎn)和雙方斜率。
3、列統(tǒng)計(jì)
計(jì)算描述性統(tǒng)計(jì)： 最小值、最大值、四分位數(shù)、均值、標(biāo)準(zhǔn)差（SD）、標(biāo)準(zhǔn)誤（SEM）、置信區(qū)間（CI）、變異系數(shù)（CV）、偏度、峰度。
含置信區(qū)間的均值或幾何均值。
頻率分布（從 bin 到直方圖），包括累積直方圖。
通過四種方法進(jìn)行正態(tài)性檢驗(yàn)（新功能： Anderson-Darling）。
對數(shù)正態(tài)性檢驗(yàn)，以及從正態(tài)（高斯）與對數(shù)正態(tài)分布中取樣的可能性。
創(chuàng)建 QQ 圖作為正態(tài)性檢驗(yàn)的一部分。
單樣本 t 檢驗(yàn)或 Wilcoxon 檢驗(yàn)，用于對柱均值（或中位數(shù)）和理論值進(jìn)行比較。
使用 Grubbs 或 ROUT 方法鑒別異常值。
分析批量 P 值，應(yīng)用 Bonferroni 多重比較或 FDR 方法識別“重大”研究結(jié)果或發(fā)現(xiàn)。
4、簡易的線性回歸和相關(guān)性
計(jì)算含置信區(qū)間的斜率和截距。
強(qiáng)制回歸線穿過指定點(diǎn)。
擬合以復(fù)制 Y 值或均值 Y。
應(yīng)用運(yùn)行測試來檢驗(yàn)線性度偏離。
用四種不同方式（包括 QQ 圖）計(jì)算和繪制殘差圖。
比較兩條或更多條回歸線的斜率和截距。
沿標(biāo)準(zhǔn)曲線插入新點(diǎn)。
Pearson 或 Spearman（非參數(shù)）相關(guān)性。
5、廣義線性模型（GLM）
使用新的多變量數(shù)據(jù)表生成多個(gè)自變量與單個(gè)因變量的相關(guān)模型。
多元線性回歸（當(dāng)Y連續(xù)時(shí)）。
泊松回歸（當(dāng)Y計(jì)數(shù)時(shí)；0，1，2，...）
邏輯回歸（當(dāng)Y為二進(jìn)制時(shí)；是/否、通過/失敗等）。
6、臨床（診斷）實(shí)驗(yàn)室統(tǒng)計(jì)
Bland-Altman 圖。
受試者工作特征（ROC）曲線。
Deming 回歸（II 型線性回歸）。
7、模擬
模擬XY、列或列聯(lián)表。
重復(fù)模擬數(shù)據(jù)的分析，作為 Monte-Carlo 分析。
根據(jù)選擇或輸入的方程式和您選擇的參數(shù)值繪制函數(shù)圖。
8、其他計(jì)算
曲線下面積，含置信區(qū)間。
轉(zhuǎn)換數(shù)據(jù)。
標(biāo)準(zhǔn)化。
鑒別異常值。
正態(tài)性檢驗(yàn)。
轉(zhuǎn)置表格。
減去基線（以及合并列）。
將每個(gè)值計(jì)算為其行、列或總計(jì)的分?jǐn)?shù)。

軟件亮點(diǎn)

1、有效地組織您的數(shù)據(jù)
與電子表格或其他科學(xué)圖形程序不同，prism有八種不同類型的數(shù)據(jù)表，專門為您要運(yùn)行的分析而格式化。這樣可以更輕松地正確輸入數(shù)據(jù)，選擇合適的分析并創(chuàng)建令人驚嘆的圖形。
2、執(zhí)行正確的分析
避免統(tǒng)計(jì)術(shù)語。在清晰的語言中，prism提供了廣泛的分析庫，從常見到高度特異 – 非線回歸，t檢驗(yàn)，非參數(shù)比較，單因素，雙因素和三因子方差分析，列聯(lián)表，生存分析等等。每個(gè)分析都有一個(gè)清單，以幫助您了解所需的統(tǒng)計(jì)假設(shè)，并確認(rèn)您已選擇適當(dāng)?shù)臏y試。
3、隨時(shí)隨地獲得可操作的幫助
降低統(tǒng)計(jì)數(shù)據(jù)的復(fù)雜程度。prism的在線幫助超出了您的預(yù)期。幾乎每一步，都可以從在線prism Guides訪問數(shù)千頁。瀏覽圖表產(chǎn)品組合，了解如何制作各種圖表類型。教程數(shù)據(jù)集還可幫助您了解執(zhí)行某些分析的原因以及如何解釋結(jié)果。