O IBM SPSS Regression permite prever resultados categóricos e aplicar vários procedimentos de regressão não linear. Você pode usar esses procedimentos para projetos de negócios e de análise de dados em que as técnicas de regressão comuns forem limitantes ou inadequadas. Isso inclui estudar os hábitos de compra do consumidor, as respostas aos tratamentos ou a análise do risco de crédito. A solução ajuda a expandir os recursos do SPSS Statistics para o estágio de análise de dados do processo analítico.
Este módulo faz parte dos pacotes SPSS Standard, Professional e Premium.
Leia o resumo da solução
Preveja a presença ou a ausência de um resultado característico ou binário com base nos valores de um conjunto de variáveis preditoras. É semelhante a um modelo de regressão linear, mas é adequado a modelos onde a variável dependente é dicotômica e presumidamente seguirá uma distribuição binomial. Os coeficientes estimados podem ser usados para estimar a razão de chances para cada uma das variáveis independentes no modelo.
Utilize a função de ligação logit para modelar a dependência de uma resposta ordinal polítoma em um conjunto de preditores. No modelo de logit, as chances de log do resultado são modeladas como uma combinação linear das variáveis do preditor.
Classifique os assuntos com base nos valores de um conjunto de variáveis do preditor. Esse tipo de regressão é semelhante à regressão logística, mas é mais geral porque a variável dependente não está restrita a duas categorias.
Encontre um modelo não linear da relação entre a variável dependente e um conjunto de variáveis independentes. Ao contrário da regressão linear tradicional, restrita à estimativa de modelos lineares, a regressão não linear pode estimar modelos com relações arbitrárias entre variáveis independentes e dependentes. Isso é feito por meio do uso de algoritmos de estimativa iterativos.
Use a modelagem de resposta de probit e logit para analisar a potência das respostas a estímulos, como doses de medicamentos, preços ou incentivos. Esse procedimento mede a relação entre a força de um estímulo e a proporção de casos exibindo uma determinada resposta ao estímulo. É útil para situações com um resultado dicotômico, que é presumidamente influenciado ou causado pelos níveis de algumas variáveis independentes, e é especificamente adequado para dados experimentais.
No primeiro estágio, use variáveis instrumentais que não estejam correlacionadas com os termos de erro para calcular os valores estimados dos preditores problemáticos. Na segunda etapa, use esses valores calculados para estimar um modelo de regressão linear da variável dependente. Como os valores calculados são baseados em variáveis não correlacionadas com os erros, os resultados do modelo de dois estágios são ideais.
Controle as correlações entre as variáveis do preditor e os termos de erro que podem ocorrer com dados temporais. O procedimento de estimativa de peso testa uma série de transformações de peso e indica qual delas será a mais adequada aos dados.
Modelar a relação entre um conjunto de variáveis preditoras (independentes) e percentis específicos (ou "quantis") de uma variável-alvo (dependente), geralmente a mediana. A regressão quantílica tem duas vantagens principais em relação à regressão por mínimos quadrados comuns: ela não faz suposições sobre a distribuição da variável-alvo e tende a resistir à influência de observações discrepantes.
- Para uso no local: adicione à sua edição base do SPSS Statistics ou compre a edição padrão
- Para planos de assinatura: compre o complemento "Tabelas personalizadas e estatísticas avançadas"
- Processador: 2 GHz ou mais rápido
- Exibição: 1024*768 ou superior
- Memória: 4 GB de RAM necessários, 8 GB de RAM ou mais recomendados
- Espaço em disco: 2 GB ou mais