因子分析可執行各種公因子與成分分析及轉軸。輸入內容可以是多變量資料、相關矩陣、共變異數矩陣、因子模型或計分係數矩陣。 因子分析又稱因素分析，可以將一群彼此相關、較難解釋的變數，轉爲可概念化具解釋性的少數幾個因素，也可達到資料縮減與摘要的目的。每個變數由共同因素和獨特因素組成。 因素分析分爲兩種： 探索性因素分析 在因素個數、路徑都沒有限制下去尋找結構，一般來説，為研究量表或問卷建構效度，多屬於此分析 驗證性因素分析在已知研究方法或是有理論支持下去驗證假設是否適用 因素分析該怎麽做呢？ 估算共同性：計算變數之間的相關矩陣或共變數矩陣，變數的相關係數越強，越有可能歸在同一因素內 抽取因素：萃取共同因素並估計因素負荷量。常見抽取方式包含主成分分析法、及主軸因素法與最大概似法等 轉軸：轉軸可以讓因素負荷量更易於判讀，旋轉方式可分爲： 直交：因素之間彼此獨立，軸間夾角為 90 度，如變異最大旋轉法、四方最大旋轉法 斜交：因素之間仍有相關，如 Promax 旋轉法 最後，決定因素個數，對其解釋與命名，可以參考因素負荷量較大來對因素命名。 因素分析講師說明與範例一:  

群集分析是將相近的樣本聚集在一起，分成集群。

對於包含一或多個屬量變數及定義觀測值群組之分類變數的一組觀測值，「判別分析」工作會開發判別準則，將各觀測值分類為其中一個群組。由此資料集導出的判別準則，可於判別函數的同一個執行期間，套用到第二個資料集。 您可以使用這個工作，對自然界中發現的觀測值進行分類。例如，您可建立 SAS 資料集，其中包含 36筆植物的種類(5類)和4個不同的測量值。您可以使用此資料，將每一筆植物分類為5個種類之一的最佳分類變數，找出判別函數。

Shewhart 圖表是Shewhart (1891-1967) 是貝爾實驗室的物理學家，於 1924 年發表了此方法。 管制圖的立論概念是，任何生產流程中的自然變異均可透過一組管制界限來量化，若變異超出這些界限，即表示流程中有所變化。是業界在研究生產流程的輸出變化時最常用的統計式品管法。 Shewhart 圖表是一種圖形化的分析工具，可用以判斷程序是否符合統計控制。「平均值與全距圖表」工作可建立子群組平均值與子群組全距的平均值與全距圖表。這些圖表可用以分析製程的集中趨勢與變化性。

「p圖表」工作會建立一個樣本中不合格 (瑕疵) 項目的比例圖表，可用以判斷程序是否符合統計控制。

「準備時間序列資料」工作可用來使資料更適合其他時間序列工作分析。

[基礎預測] 工作可透過快速而自動的方式，同時為多個時間序列產生預測。

迴歸分析是統計學上常用的分析方法，主要在建立一個函數（最能夠代表變數間的所有觀測資料），並用此函數來代表應變數和自變數之間的數學模式，以便觀察特定的變數來預測我們所感興趣的變數。若特定的變數（X）和有興趣的變數(Y)的數目都為一個，則我們稱此模型（）為簡單線性迴歸分析。