Conozca todas las características del módulo en las versiones de licencias de SPSS Statistics.

Conozca todas las características del módulo en las versiones de licencias de SPSS Statistics. Lea el resumen de la solución (PDF, 437 KB)

¿Qué puede hacer por su empresa?

IBM® SPSS® Regression le habilita a prever resultados categóricos y a aplicar varios procedimientos de regresión no lineal. Puede utilizar estos procedimientos para proyectos empresariales y de análisis donde las técnicas ordinarias de regresión están limitadas o no son apropiadas. Esto incluye el estudio de los hábitos de compra del cliente, las respuestas a los tratamientos o el análisis del riesgo crediticio. La solución le ayuda a extender las capacidades de SPSS Statistics para la etapa de análisis de datos del proceso analítico.

Este módulo está incluido en los paquetes Standard, Professional y Premium de SPSS.

Recursos destacados

Regresión logística binaria

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 se adapta a los modelos en los que la variable dependiente es dicotómica y se supone que sigue una distribución binomial. Los coeficientes estimados se pueden utilizar para calcular los cocientes de probabilidades de cada una de las variables independientes del modelo.

Modelos de respuesta de logit

Utilice la función de enlace logit para crear modelos de la dependencia de una respuesta ordinal politómica en un conjunto de variables predictivas. En el modelo logit, el logaritmo de probabilidades del resultado se modela como una combinación lineal de las variables predictivas.

Regresión logística multinomial

Clasifique los sujetos con base en 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.

Regresión no lineal

Busque un modelo de relación no lineal entre la variable dependiente y un conjunto de variables independientes. A diferencia de la regresión lineal tradicional, que está restringida a la estimación de modelos lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre variables independientes y dependientes. Esto se lleva a cabo utilizando algoritmos de estimación iterativos.

Análisis de respuesta de probit

Utilice probit y el modelo de respuestas lógicas para analizarse la potencia de las respuestas a los estímulos, como las dosis de medicinas, los precios o los incentivos. Este procedimiento mide la relación entre la fuerza de un estímulo y la proporción de casos que muestran una respuesta específica al estímulo. Es útil para situaciones en las que se tiene un resultado dicotómico que se cree que está influido o causado por niveles de algunas variables independientes, y es particularmente adecuado para los datos experimentales.

Mínimos cuadrados en dos etapas

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 los valores calculados para estimar un modelo de regresión lineal de la variable dependiente. Puesto que los valores calculados se basan en variables que no están correlacionadas con los errores, los resultados del modelo de dos etapas son óptimos.

Mínimos cuadrados ponderados

Controle las correlaciones entre las variables predictivas y los términos de error que pueden ocurrir en datos basados en el tiempo. El procedimiento de estimación ponderada prueba un rango de transformaciones de peso e indica cuál dará el mejor ajuste a los datos.

Regresión cuantílica

Modele la relación entre un conjunto de variables predictivas (independientes) y percentiles específicos (o "cuantiles") de una variable objetivo (dependiente), la mayoría de las veces la mediana. La regresión por cuantiles tiene dos ventajas principales sobre la regresión de mínimos cuadrados ordinarios: no hace ninguna suposición sobre la distribución de la variable objetivo y tiende a resistir a la influencia de las observaciones periféricas.

Imágenes del producto

Detalles técnicos

Cómo comprar SPSS Statistics Regression

  • Para las instalaciones locales: Añada su edición base de SPSS Statistics o compre la edición Standard
  • Para planes de suscripción: Compre el complemento "Tablas personalizadas y Estadísticas avanzadas"

Requisitos de hardware

  • Procesador: 2 GHz o más rápido
  • Monitor: 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

Next Steps

Pruebe SPSS Statistics de forma gratuita

Compre ahora para empezar hoy