Vorteile für Ihr Unternehmen

Mit IBM® SPSS® Categories können Sie Beziehungen in Ihren Daten visualisieren und untersuchen und Ergebnisse basierend auf Ihren Feststellungen vorhersagen. Dabei kommen kategoriale Regressionsverfahren zum Einsatz, um die Werte einer nominalen, ordinalen oder numerischen Ergebnisvariablen aus einer Kombination aus numerischen und geordneten oder nicht geordneten kategorialen Prädiktorvariablen vorhersagen zu können. Die Software verfügt über innovative Verfahren wie Vorhersageanalyse, statistisches Lernen, Darstellung in einer Wahrnehmungskarte und Präferenzskalierung.

Dieses Modul ist in der IBM SPSS Statistics Professional Edition für On-Premises-Umgebungen und im Add-on "Complex sampling and testing" für Subskriptionspläne enthalten.

Feature-Highlights

Unterschiede zwischen Kategorien analysieren

Verwenden Sie Korrespondenzanalyse, um Unterschiede zwischen Kategorien einfacher anzuzeigen und zu analysieren.

Ergänzende Informationen einbinden

Nehmen Sie ergänzende Informationen über zusätzliche Variablen auf.

Zuordnungen und Beziehungen offenlegen

Verwenden Sie symmetrische Normalisierung, um einen Biplot zu erstellen, damit Sie Zuordnungen besser sehen können.

Einfaches Arbeiten mit kategorialen Daten

Nutzen Sie Tools, mit denen Sie Ihre multivariaten Daten und deren Beziehungen einfacher und umfassender analysieren und interpretieren können. Beispielsweise können Sie so genau verstehen, welche Merkmale Verbraucher am engsten mit Ihrem Produkt oder Ihrer Marke in Verbindung bringen. Die Software hilft auch bei der Ermittlung der Wahrnehmung Ihrer Produkte durch den Kunden im Vergleich zu anderen Produkten, die Sie oder Ihre Mitbewerber anbieten.

Verfahren für kategoriale Regressionen nutzen

Sagen Sie die Werte einer nominalen, ordinalen oder numerischen Ergebnisvariablen aus einer Kombination aus numerischen und geordneten oder nicht geordneten kategorialen Prädiktorvariablen vorher. Nutzen Sie Regressionsverfahren zusammen mit optimaler Skalierung, um beispielsweise zu beschreiben, wie die Arbeitszufriedenheit über Jobkategorie, geografische Region und die Anzahl der tätigkeitsbedingten Reisen vorhergesagt werden kann.

Vorteile der optimalen Skalierung nutzen

Quantifizieren Sie die Variablen in einer Weise, dass das Multiple R maximiert wird. Die optimale Skalierung kann auf numerische Variablen angewendet werden, wenn Residuen nicht normal oder Prädiktorvariablen nicht linear zur Ergebnisvariablen sind. Regularisierungsmethoden wie Ridge-Regression, Lasso und Elastic Net können die Vorhersagegenauigkeit verbessern, indem sie die Parameterschätzungen stabilisieren.

Verständliche Präsentation Ihrer Ergebnisse mithilfe von Wahrnehmungskarten

Nutzen Sie Dimensionsreduktionsverfahren, um Beziehungen in Ihren Daten aufzuzeigen. Übersichtsdiagramme zeigen ähnliche Variablen oder Kategorien an, um Ihnen einen Einblick in Beziehungen zwischen mehr als zwei Variablen zu geben.

Diese Verfahren für optimale Skalierung und Dimensionsreduktion sind verfügbar

Korrespondenzanalyse (CORRESPONDENCE), kategoriale Regression (CATREG), mehrere Korrespondenzanalysen (MULTIPLE CORRESPONDENCE), CATPCA, nicht lineare kanonische Korrelation (OVERALS), Proximitätsskalierung (PROXSCAL) und Präferenzskalierung (PREFSCAL).

Produktabbildungen

Technische Details

Softwarevoraussetzungen

  • Bei On-Premises-Umgebungen: Erwerben Sie die Professional Edition
  • Bei Subskriptionsplänen: Erwerben Sie das Add-on "Complex sampling and testing"

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

Erfahren Sie im Gespräch mehr darüber, wie SPSS Categories Ihre Geschäftsanforderungen unterstützen kann.

Erfahren Sie im Gespräch mehr darüber, wie SPSS Categories Ihre Geschäftsanforderungen unterstützen kann. Termin für Beratung vereinbaren

Next Steps

SPSS Statistics kostenlos testen

Jetzt kaufen und gleich loslegen