IBM® SPSS Regression le permite predecir resultados categóricos y aplicar varios procedimientos de regresión no lineal. Puede utilizar estos procedimientos para proyectos de negocios y de análisis donde las técnicas de regresión ordinarias sean limitantes o inapropiadas. Esto incluye estudiar los hábitos de compra de los consumidores, las respuestas a los tratamientos o analizar el riesgo crediticio. La solución le ayuda a ampliar las capacidades de SPSS Statistics para la etapa de análisis de datos del proceso analítico.
Este módulo está incluido en los paquetes SPSS Estándar, Profesional y Premium.
Ahorre un 10 % en una suscripción y complementos al elegir 12 meses con renovación automática.
Lea el resumen de la solución
Prevea la presencia o ausencia de una característica o resultado binario con base en los valores de un conjunto de variables predictivas. Es similar a un modelo de regresión lineal, pero es adecuado para modelos donde la variable dependiente es dicotómica y supuestamente sigue una distribución binomial. Los coeficientes estimados se pueden utilizar para calcular los índices de probabilidades de cada una de las variables independientes del modelo.
Utilice la función de enlace logit para modelar la dependencia de una respuesta ordinal politómica de un conjunto de predictores. En el modelo logit, las probabilidades logarítmicas del resultado se modelan como una combinación lineal de las variables predictivas.
Clasifique sujetos en función de los valores de un conjunto de variables predictivas. Este tipo de regresión es similar a la regresión logística, pero es más general porque la variable dependiente no está restringida a dos categorías.
Encuentre un modelo no lineal de la relación entre la variable dependiente y un conjunto de variables independientes. A diferencia de la regresión lineal tradicional, que está restringida a estimar modelos lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre variables independientes y dependientes. Esto se logra a través de algoritmos de estimación iterativos.
Utilice modelos de respuesta probit y logit para analizar la potencia de las respuestas a estímulos, como dosis de medicamentos, precios o incentivos. Este procedimiento mide la relación entre la fuerza de un estímulo y la proporción de casos que muestran una determinada respuesta al estímulo. Es útil para situaciones en las que se tiene una salida dicotómica que se cree que está influenciada o es causada por los niveles de alguna(s) variable(s) independiente(s), y es particularmente adecuado para datos experimentales.
En la primera etapa, utilice variables instrumentales que no estén correlacionadas con los términos de error para calcular los valores estimados de los predictores problemáticos. En la segunda etapa, utilice esos valores calculados para estimar un modelo de regresión lineal de la variable dependiente. Dado que los valores calculados se basan en variables que no están correlacionadas con los errores, los resultados del modelo de dos etapas son óptimos.
Controle las correlaciones entre las variables predictivas y los términos de error que pueden ocurrir con datos basados en el tiempo. El procedimiento de estimación de peso prueba una variedad de transformaciones de peso e indica cuál será la idónea para los datos.
Modele la relación entre un conjunto de variables predictivas (independientes) y percentiles específicos (o “cuantiles”) de una variable objetivo (dependiente), generalmente la mediana. La regresión cuantil tiene dos ventajas principales sobre la regresión de mínimos cuadrados ordinaria: no hace suposiciones sobre la distribución de la variable objetivo y tiende a resistir la influencia de observaciones atípicas.
- A nivel local: agregue a su edición SPSS Statistics base o compre la edición estándar
- Para planes de suscripción: Adquiera el complemento "Tablas personalizadas y estadísticas avanzadas"
- Procesador: 2 GHz o más rápido
- Pantalla: 1024 * 768 o superior
- Memoria: se requieren 4 GB de RAM, se recomiendan 8 GB de RAM o más
- Espacio en disco: 2 GB o más