Testen Sie Categories mit einer voll funktionsfähigen SPSS-Testversion oder kontaktieren Sie uns für einen Kauf
Mit IBM® SPSS® Categories können Sie Beziehungen in Ihren Daten visualisieren und erkunden und so Ergebnisse auf der Grundlage Ihrer statistischen Analyse vorhersagen. Hierbei werden kategoriale Regressionstechniken angewendet, um die Werte nominaler, ordinaler oder numerischer Ergebnisvariablen aus einer Kombination von numerischen und geordneten oder nicht geordneten kategorialen Prädiktorvariablen vorherzusagen. Die Software verfügt über statistische Verfahren wie prädiktive Analyse, statistisches Lernen, Wahrnehmungszuordnung und Präferenzskalierung.
Dieses Modul ist in der IBM SPSS Statistics Professional Edition für die herkömmliche Lizenznutzung sowie als Teil des IBM SPSS Add-ons „Complex Sampling and Testing“ für Abonnementpläne enthalten.
Verwenden Sie SPSS Categories, um eine Korrespondenzanalyse durchzuführen, die es einfacher macht, Unterschiede zwischen Kategorien darzustellen und zu analysieren.
Integrieren Sie zusätzliche Informationen, indem Sie benutzerdefinierte Attribute für Variablen definieren. Auf diese Weise können Sie zusätzlichen Kontext oder Metadaten hinzufügen, die nicht durch Standardetiketten, Messwerte oder Missing Values erfasst werden. Diese Attribute können weitere Informationen speichern, wie beschreibende Notizen, Maßeinheiten oder Codierungsschemata, und so mehr Kontext für die Datenanalyse bieten.
Verwenden Sie die symmetrische Normalisierung, um ein Biplot zu erstellen, damit Sie Zusammenhänge besser erkennen können.
Analysieren und interpretieren Sie Ihre multivariaten Daten und ihre Beziehungen effektiver durch eine eingehende Datenanalyse. Verstehen Sie zum Beispiel, welche Verbrauchermerkmale am engsten mit Ihrem Produkt oder Ihrer Marke in Ihrem Datensatz verknüpft sind, oder vergleichen Sie die Kundenwahrnehmung Ihrer Produkte mit denen, die von Ihnen oder Ihren Mitbewerbern angeboten werden.
Sagen Sie die Werte einer nominalen, ordinalen oder numerischen Ergebnisvariable aus einer Kombination von numerischen und geordneten oder nicht geordneten kategorialen Prädiktorvariablen voraus. Verwenden Sie die Regression mit optimaler Skalierung, um beispielsweise zu beschreiben, wie die Zufriedenheit am Arbeitsplatz anhand der Jobkategorie, der geografischen Region und der Anzahl der Dienstreisen vorhergesagt werden kann.
Quantifizieren Sie Variablen, damit das Vielfache von R maximiert wird. Eine optimale Skalierung kann auf numerische Variablen angewendet werden, wenn die Residuen nicht normal sind oder wenn die Prädiktorvariablen nicht linear zur Ergebnisvariablen in Beziehung stehen. Regularisierungsmethoden wie Ridge-Regression, Lasso und elastisches Netz können die Vorhersagegenauigkeit durch Stabilisierung der Parameterschätzungen verbessern.
Verwenden Sie Techniken zur Dimensionsreduktion, um Beziehungen in Ihren Daten darzustellen. Zusammenfassungsdiagramme zeigen ähnliche Variablen oder Kategorien an, um Ihnen einen Einblick in die Beziehungen zwischen mehr als 2 Variablen zu geben.
Zu den Verfahren gehören die Korrespondenzanalyse (CORRESPONDENCE), die kategoriale Regression (CATREG), die multiple Korrespondenzanalyse (MULTIPLE CORRESPONDENCE), CATPCA, die nicht lineare kanonische Korrelation (OVERALS), die Ähnlichkeitsskalierung (PROXSCAL) und die Präferenzskalierung (PREFSCAL).
- Für On-Premises: Kaufen Sie die Professional Edition.
- Für Abonnementpläne: Kaufen Sie das Add-on „Complex Sampling and Testing“.
- Prozessor: 2 GHz oder schneller
- Bildschirmauflösung: 1024x768 oder höher
- Speicher: 4 GB RAM erforderlich, 8 GB RAM oder mehr empfohlen
- Speicherplatz: 2 GB oder mehr