IBM SPSS Regression

Prévoyez la présence ou l'absence d'un résultat caractéristique ou binaire en fonction des valeurs d'un ensemble de variables prédictives. Ce système est similaire à un modèle de régression linéaire, mais il est adapté aux modèles dans lesquels la variable dépendante est dichotomique et est supposée suivre une distribution binomiale. Les coefficients estimés peuvent être utilisés pour estimer les rapports de cotes pour chacune des variables indépendantes du modèle.

Utilisez la fonction de lien logit pour modéliser la dépendance d'une réponse ordinale polytomique par rapport à un ensemble de prédicteurs. Dans le modèle logit, le "log odds" (logarithme des cotes) du résultat est modélisé sous la forme d'une combinaison linéaire des variables prédictives.

Classez les sujets en fonction des valeurs d'un ensemble de variables prédictives. Ce type de régression est similaire à la régression logistique, mais il est plus général, car la variable dépendante n'est pas limitée à deux catégories.

Recherchez un modèle non linéaire de la relation entre la variable dépendante et un ensemble de variables indépendantes. Contrairement à la régression linéaire traditionnelle, qui est limitée à l'estimation des modèles linéaires, la régression non linéaire peut estimer des modèles avec des relations arbitraires entre des variables indépendantes et des variables dépendantes. Cela est réalisé à l'aide d'algorithmes à estimation itérative.

Utilisez la modélisation de réponses probit et logit pour analyser la puissance des réponses aux stimuli, comme les doses médicales, les prix ou les incitations. Cette procédure mesure la relation entre la force d'un stimulus et la proportion de cas présentant une certaine réponse au stimulus. Elle est utile pour les situations où vous avez une sortie dichotomique qui est considérée comme étant influencée ou causée par les niveaux de certaines variables indépendantes, et qui est particulièrement bien adaptée aux données expérimentales.

Dans la première étape, utilisez des variables instrumentales qui ne sont pas corrélées avec les termes d'erreur pour calculer les valeurs estimées des prédicteurs problématiques. Dans la seconde étape, utilisez les valeurs calculées pour estimer un modèle de régression linéaire de la variable dépendante. Les valeurs calculées étant basées sur des variables non corrélées avec les erreurs, les résultats du modèle en deux étapes sont optimaux.

Contrôlez les corrélations entre les variables prédictives et les termes d'erreur qui peuvent se produire avec les données temporelles. La procédure de pondération estimée teste une gamme de transformations pondérées et désigne celle qui donnera le meilleur ajustement aux données.

Modélisez la relation entre un ensemble de variables prédictives (indépendantes) et des percentiles spécifiques (ou "quantiles") d'une variable cible (dépendante), le plus souvent la médiane. La régression quantile présente principalement deux avantages par rapport à la régression des moindres carrés ordinaire : elle ne fait aucune hypothèse sur la distribution de la variable cible et tend à résister à l'influence des observations externes.