Regressão
Tenha acesso a insights avançados de dados com SPSS Regression
O IBM SPSS Regression possibilita a previsão de resultados categóricos, a criação de modelos de regressão, a análise de resumos de modelos e a aplicação de diversos procedimentos de regressão não linear a conjuntos de dados estudando hábitos de compra dos consumidores, respostas a tratamentos, eficácia de medidas diagnósticas, análise de risco de crédito e outras situações em que as técnicas de regressão e análise de dados comuns são limitadas ou inadequadas.
Casos de uso do setor
Estude os hábitos de compra do consumidor. Otimize as estratégias de marketing e a satisfação do cliente.
Analise as respostas de dosagem para melhorar a qualidade do atendimento e obter melhores resultados para os pacientes.
Avalie riscos de crédito e valores discrepantes e aprimore o relacionamento com os clientes por meio de ofertas direcionadas.
Meça testes de desempenho acadêmico e apoie a pesquisa institucional.
Examine o comportamento dos clientes para selecionar ofertas personalizadas.
Melhore os serviços e a segurança dos cidadãos. Avalie a conformidade de pagamento de impostos, minimize fraudes e mitigue ameaças.
O que você pode fazer
Preveja a presença ou a ausência de um resultado característico ou binário com base nos valores de um conjunto de variáveis preditoras.
Utilize a função de ligação logit para modelar a dependência de uma resposta ordinal polítoma em um conjunto de preditores.
Classifique os assuntos com base nos valores de um conjunto de variáveis preditoras. Este tipo de regressão é similar à regressão logística, mas é mais geral porque a variável dependente não é restrita a 2 categorias.
Encontre um modelo não linear da relação entre a variável dependente e um conjunto de variáveis independentes.
Use modelagem de resposta 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.
No primeiro estágio, use variáveis instrumentais que não estejam correlacionadas com os termos de erro para calcular os valores estimados de um ou mais preditores problemáticos. Na segunda etapa, use esses valores calculados para estimar um modelo de regressão linear da variável dependente.
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 fornecerá o melhor ajuste aos dados.
O novo procedimento de extensão de rede elástica linear estima modelos de regressão linear regularizados para uma variável dependente em uma ou mais variáveis independentes.
A nova extensão linear lasso estima a perda L1 em modelos de regressão linear regularizados para uma variável dependente em relação a uma ou mais variáveis independentes.
O novo procedimento de extensão linear Ridge estima modelos de regressão linear regularizada com perda L2, ou perda quadrática, para uma variável dependente com base em uma ou mais variáveis independentes.
Notas de rodapé
* As avaliações dos usuários podem ter sido obtidas por meio de um incentivo.