IBM® SPSS® Regression 支持您预测分类结果并应用各种非线性回归程序。您可以将这些程序用于普通回归技术受限或不适用的业务和分析项目。其中包括研究消费者的购买习惯、研究患者对治疗方案的反应情况或分析信用风险。该解决方案可帮助您扩展 SPSS Statistics 在分析过程的数据分析阶段所发挥的功能。
该模块包含在 SPSS Standard、Professional 和 Premium 软件包中。
阅读解决方案简介
根据一组预测变量的值预测某种特征或二进制结果是否存在。它类似于线性回归模型,但适用于因变量为二分变量并假设遵循二项分布的模型。估算系数可用于估计模型中每个自变量的几率比。
使用 Logit 关联函数对一组预测变量的多分类有序反应的依赖关系进行建模。在 Logit 模型中,结果的对数优势比将建模为预测变量的线性组合。
根据一组预测变量的值对被试进行分类。这种类型的回归类似于 Logistic 回归,但更为通用,因为因变量不限于两个类别。
找出因变量和一组自变量之间关系的非线性模型。与仅限于估算线性模型的传统线性回归不同,非线性回归可以估算自变量和因变量之间具有任意关系的模型。此过程通过迭代估计算法来完成。
使用概率和 Logit 模型来分析对刺激(例如药物剂量、价格或激励)的反应效力。此程序用于衡量刺激强度与对刺激表现出某种反应的病例比例之间的关系。它适用于二分类输出被认为受某些自变量级别的影响或由其导致的情况,并且特别适合实验数据。
第一阶段,使用与误差项不相关的工具变量来计算有问题预测变量的估计值。第二阶段,使用这些计算值来估算因变量的线性回归模型。由于计算值基于与误差不相关的变量,因此两阶段模型的结果是最优的。
控制预测变量与基于时间的数据可能出现的误差项之间的相关性。权重估计程序用于测试一系列权重变换,并指示哪种权重最适合数据。
对一组预测(自)变量与目标(因)变量的特定百分数(或“分位数”)之间的关系进行建模,通常是中位数。与普通最小二乘法回归相比,分位数回归有两个主要优势:它不对目标变量的分布做出假设,且一般不受异常数据的影响。