Informieren Sie sich über alle Modulfunktionen in Lizenzversionen von SPSS Statistics.

Informieren Sie sich über alle Modulfunktionen in Lizenzversionen von SPSS Statistics. Lösungsübersicht lesen (PDF, 437 KB)

Vorteile für Ihr Unternehmen

Mit IBM® SPSS® Regression können Sie kategoriale Ergebnisse vorhersagen und verschiedene nicht lineare Regressionsverfahren anwenden. Sie können diese Verfahren für Geschäfts- und Analyseprojekte verwenden, bei denen gewöhnliche Regressionstechniken einschränkend wirken oder ungeeignet sind. Dies umfasst die Untersuchung der Kaufgewohnheiten von Verbrauchern, Reaktionen auf Behandlungen oder die Analyse des Kreditrisikos. Die Lösung unterstützt Sie bei der Erweiterung der Funktionen von SPSS Statistics für die Datenanalysephase des Analyseprozesses.

Dieses Modul ist in den Paketen SPSS Standard, Professional und Premium enthalten.

Feature-Highlights

Binäre logistische Regression

Sagen Sie das Vorhandensein oder Nichtvorhandensein eines Merkmals oder eines binären Ergebnisses basierend auf Werten einer Gruppe von Prädiktorvariablen vorher. Die Lösung ist vergleichbar mit einem linearen Regressionsmodell, ist aber für Modelle geeignet, bei denen die abhängige Variable dichotom ist und angenommen wird, dass eine Binomialverteilung erfolgt. Die geschätzten Koeffizienten können verwendet werden, um Chancenverhältnisse für jede der unabhängigen Variablen im Modell zu schätzen.

Antwortmodelle für Logit

Verwenden Sie die Logit-Verknüpfungsfunktion, um die Abhängigkeit einer polytomen ordinalen Antwort von mehreren Prädiktoren zu modellieren. Im Logit-Modell wird das Protokoll mit den Chancenverhältnissen des Ergebnisses als lineare Kombination der Prädiktorvariablen modelliert.

Multinomiale logistische Regression

Klassifizieren Sie Themen basierend auf Werten einer Gruppe von Prädiktorvariablen. Dieser Regressionstyp ist der logistischen Regression ähnlich, jedoch allgemeiner, da die abhängige Variable nicht auf zwei Kategorien beschränkt ist.

Nicht lineare Regression

Suchen Sie ein nicht lineares Modell der Beziehung zwischen der abhängigen Variablen und einer Gruppe unabhängiger Variablen. Im Gegensatz zur traditionellen linearen Regression, die auf die Schätzung linearer Modelle beschränkt ist, kann die nicht lineare Regression Modelle mit beliebigen Beziehungen zwischen unabhängigen und abhängigen Variablen schätzen. Dies wird mit iterativen Schätzalgorithmen erreicht.

Probit-Response-Analyse

Verwenden Sie Probit- und Logit-Antwortmodellierung für die Analyse der Potenz von Reaktionen auf Stimuli wie Medikamentendosen, Preise oder Anreize. Dieses Verfahren misst das Verhältnis zwischen der Stärke eines Stimulus und dem Anteil der Fälle, die eine bestimmte Reaktion auf den Stimulus zeigen. Es ist nützlich in Situationen, in denen Sie eine dichotome Ausgabe haben, die als beeinflusst oder durch Ebenen unabhängiger Variablen verursacht gilt, und eignet sich besonders gut für experimentelle Daten.

Zweistufige Methode der kleinsten Quadrate

Verwenden Sie in der ersten Stufe Instrumentalvariablen, die nicht mit den Fehlertermen korreliert sind, um die geschätzten Werte der problematischen Prädiktoren zu berechnen. Verwenden Sie in der zweiten Stufe diese berechneten Werte, um ein lineares Regressionsmodell der abhängigen Variable zu schätzen. Da die berechneten Werte auf Variablen basieren, die nicht mit den Fehlern korreliert sind, sind die Ergebnisse des zweistufigen Modells optimal.

Gewichtete Methode der kleinsten Quadrate

Steuern Sie die Korrelationen zwischen den Prädiktorvariablen und den Fehlertermen, die bei zeitbasierten Daten auftreten können. Das Verfahren zur Gewichtungsschätzung testet eine Reihe von Gewichtungstransformationen und gibt an, welche am besten zu den Daten passt.

Quantilsregression

Modellieren Sie die Beziehung zwischen einer Gruppe von Prädiktorvariablen (unabhängigen Variablen) und bestimmten Perzentilen (oder "Quantilen") einer Zielvariablen (abhängigen Variablen), am häufigsten der Median. Die Quantilsregression hat zwei Hauptvorteile gegenüber der gewöhnlichen Regression der kleinsten Quadrate: sie macht keine Annahmen über die Verteilung der Zielvariablen und neigt dazu, dem Einfluss von Randbeobachtungen zu widerstehen.

Produktabbildungen

Technische Details

Erwerb von SPSS Statistics Regression

  • Bei On-Premises-Umgebungen: Erweitern Sie Ihre SPSS Statistics Base Edition oder erwerben Sie die Standard Edition
  • Bei Subskriptionsplänen: Erwerben Sie das Add-on "Custom Tables and Advanced Statistics"

Hardwarevoraussetzungen

  • Prozessor: mindestens 2 GHz
  • Anzeige: mindestens 1024 x 768
  • Hauptspeicher: 4 GB RAM erforderlich, mindestens 8 GB RAM empfohlen
  • Plattenspeicher: 2 GB oder mehr

Next Steps

SPSS Statistics kostenlos testen

Jetzt kaufen und gleich loslegen