IBM SPSS Regression leidžia taikyti sudėtingesnius modelius Jūsų duomenims iš didžiulio netiesinės regresijos modelių spektro. IBM SPSS Regression, taikomas daugybėje sričių, pavyzdžiui:
Į IBM SPSS Regression įtrauktos šios procedūros:
IBM SPSS Regression galima įsigyti anglų, japonų, prancūzų, vokiečių, italų, ispanų, kinų, korėjiečių ir rusų kalbomis.
Savirankos metodai IBM SPSS Statistics
Išplėskite IBM SPSS Statistics Base galimybes duomenų analizei. IBM SPSS Regression su IBM SPSS Statistics Base suteikia jums didesnes statistines galimybes leidžiančias gauti tikslesnius rezultatus iš specifinių duomenų. Modulis pilnai integruojamas į IBM SPSS Statistics Base, todėl platesnės galimybės neapsunkina vartotojų darbo.
Į IBM SPSS Regression modulį įtrauktos statistikos, naudojamos klasifikacinių lentelių kūrimui.
Polinominė logistinė regresija (MLR): Atlikite regresine analize kategoriniams priklausomiems kintamiesiems su daugiau nei dviem kategorijoms ir nepriklausomų kintamųjų rinkiniu. Procedūra padeda tiksliau prognozuoti priklausomybę grupei svarbiausiose grupėse. Pavyzdžiui: telekomunikacijų bendrovė gali naudoti šią regresiją, prognozuodama kokias papildomas paslaugas norės užsisakyti klientai. Nustačius paslaugą, kurią greičiausiai norės užsisakyti klientas, bendrovė galės jam nusiųsti pasiūlymą, kuriame pabrėš būtent tą paslaugą. Tai reiškia, kad nebus švaistomas laikas ir resursai siūlant paslaugas, kuriomis susidomėti klientas turi itin mažą galimybę.
Taip pat galite naudotis “stepwise” funkcionalumu, “forward”, “backward” ar “stepwise” kintamųjų įtraukimo arba atmetimo procedūromis, ieškodami reikšmingiausių nepriklausomų kintamųjų. Jei turite itin daug nepriklausomų kintamųjų, Score ir Wald metodai padės greičiau pasiekti rezultatų. Galite vertinti modelių tinkamumą naudodamiesi Akaike kriterijumi (AIC) ir Bajeso kriterijumi (BIC).
Polinominė logistinė regresija prognozuoja kategorinius rezultatus, pavyzdžiui “Pagrindinę naudojimosi internetu priežastį”, pavyzdyje kategorijos yra: a) tik darbui; b) tik apsipirkti; c) ir darbui ir apsipirkti d) nei vienam. Rezultatai rodo, kad paieškos sistemų naudojimas yra tinkamiausias kriterijus prognozuojant “Tik apsipirkti” rezultatą.
Dvinarė logistinė regresija: grupuokite žmones atsižvelgdami į prognozuojamus jų veiksmus. Ši procedūra naudojama, kai reikia kurti modelius su dichotominiu priklausomu kintamuoju. Taip pat procedūra naudojamas, kai reikia nustatyti įvykio tikimybę. Pavyzdžiui: komunalinių paslaugų kompanija gali nustatyti, kokie klientai nesugeba laiku apmokėti sąskaitų ir pasiūlyti šiems klientams specialius mokėjimo planus.
Naudodamiesi dvinare logistine regresija kintamuosius galite pasirinkti kintamuosius šešiais “stepwise” metodais, nustatyti įtraukimo arba atmetimo kriterijus. Procedūra pateikia pranešimą, kokie veiksmai buvo atlikti parenkant kintamuosius.
Netiesinė regresija (NLR) ir netiesinė regresija su apribojimais (CNLR): Prognozuokite netiesines lygtis. NLR leidžia prognozuoti modelius su laisvaisiais sąryšiais tarp priklausomo ir nepriklausomų kintamųjų naudojantis iteraciniais algoritmais. CNLR leidžia:
