O que ele pode fazer por seus negócios
O IBM® SPSS® Categories permite visualizar e conhecer relacionamentos em seus dados e prever resultados com base nas descobertas. Ele usa procedimentos categóricos de regressão para prever os valores de uma variável de resultado nominal, ordinal ou numérica por meio de uma combinação de variáveis preditoras categóricas numéricas e ordenadas ou não ordenadas. O software apresenta técnicas avançadas, como análise preditiva, aprendizagem estatística, mapeamento perceptual e escala de preferência.
Este módulo está incluído na edição SPSS Statistics Professional no local e no complemento “Complex sampling and testing” para planos de subscrição.
Destaques do recurso
Analise as diferenças entre as categorias
Use a análise de correspondência para exibir e analisar mais facilmente as diferenças entre as categorias.
Incorpore informações complementares
Incorpore informações complementares sobre variáveis adicionais.
Descubra associações e relacionamentos
Use normalização simétrica para produzir um biplot para que seja possível ver melhor as associações.
Trabalhe facilmente com dados categóricos
Aproveite as ferramentas para ajudá-lo a analisar e a interpretar os seus dados multivariados e os seus relacionamentos de forma mais completa. Por exemplo, entenda quais são as características que os consumidores relacionam mais estreitamente em termos do seu produto ou da sua marca ou determine a percepção do cliente de seus produtos em comparação com outros produtos que você ou seus concorrentes oferecem.
Use procedimentos de regressão categórica
Preveja os valores de uma variável de resultado nominal, ordinal ou numérica por meio de uma combinação de variáveis preditoras categóricas numéricas e ordenadas ou não ordenadas. Use a regressão com ajuste de escala ideal para descrever, por exemplo, como a satisfação no trabalho pode ser predita por meio da categoria de tarefa, região geográfica e a quantia de viagens relacionadas ao trabalho.
Aproveite o ajuste de escala ideal
Quantifique as variáveis para que o R Múltiplo seja maximizado. O ajuste de escala ideal pode ser aplicado a variáveis numéricas quando os valores residuais não são normais ou quando as variáveis preditoras não estão linearmente relacionadas à variável de resultado. Métodos de regularização, como regressão de Ridge, Lasso e Elastic Net podem melhorar a precisão da previsão ao estabilizar as estimativas dos parâmetros.
Apresente os seus resultados claramente usando mapas de percepção
Use técnicas de redução de dimensão para ver relacionamentos em seus dados. Os gráficos de resumo exibem variáveis ou categorias semelhantes para fornecer uma visão sobre os relacionamentos entre mais de duas variáveis.
Obtenha essas técnicas de ajuste de escala e de redução de dimensões ideais
As técnicas incluem análise de correspondência (CORRESPONDENCE), regressão categórica (CATREG), várias análises de correspondência (MULTIPLE CORRESPONDENCE), CATPCA, correlação canônica não linear (OVERALS), ajuste de escala de proximidade (PROXSCAL) e ajuste de escala de preferência (PREFSCAL).
Imagens do produto
Tabela de saída de dados de correspondência
Visão geral dos pontos de linha na tabela de saída
Gráficos de dispersão de pontos de linha
Definindo uma regressão com base na correspondência
Detalhes técnicos
Requisitos de software
- Para o local: Compre a edição Professional
- Para planos de Subscrição: Compre o complemento “Complex sampling and testing”
Requisitos de hardware
- Processador: 2 GHz ou mais rápido
- Resolução de exibição: 1024x768 ou superior
- Memória: 4 GB de RAM necessários, 8 GB de RAM ou mais recomendados
- Espaço em disco: 2 GB ou mais