Mit IBM® SPSS Regression können Sie kategoriale Ergebnisse vorhersagen, Regressionsmodelle erstellen, Modellzusammenfassungen analysieren und verschiedene nicht lineare Regressionsverfahren auf Datensätze anwenden, wenn Sie das Kaufverhalten von Verbrauchern, Behandlungsreaktionen, die Wirksamkeit diagnostischer Maßnahmen, Kreditrisikoanalysen und andere Situationen, in denen eine gewöhnliche Regression vorliegt, untersuchen und Datenanalysetechniken sind begrenzt oder ungeeignet.
Untersuchen Sie das Kaufverhalten der Verbraucher. Optimieren Sie Marketingstrategien und Kundenzufriedenheit.
Analysieren Sie Dosierungsreaktionen, um die Qualität der Pflege zu verbessern und bessere Ergebnisse für die Patienten zu erzielen.
Beurteilen Sie Kreditrisiken und Sonderfälle und verbessern Sie die Kundenbeziehung durch gezielte Angebote.
Messen Sie Tests zur akademischen Leistung und unterstützen Sie die institutionelle Forschung.
Untersuchen Sie das Kundenverhalten, um personalisierte Angebote zu kuratieren.
Verbessern Sie die Dienstleistungen und die Sicherheit der Bürger. Bewerten Sie die Einhaltung von Steuerzahlungen, minimieren Sie Betrug und dämmen Sie Bedrohungen ein.
Sagen Sie das Vorhandensein oder Nichtvorhandensein eines Merkmals oder eines binären Ergebnisses auf der Grundlage der Werte einer Reihe von Prädiktorvariablen voraus.
Verwenden Sie die Logit-Verknüpfungsfunktion, um die Abhängigkeit einer polytomen ordinalen Antwort von einer Reihe von Prädiktoren zu modellieren.
Klassifizieren Sie Probanden auf der Grundlage der Werte einer Reihe von Prädiktorvariablen. Diese Art der Regression ähnelt der logistischen Regression, ist aber allgemeiner, da die abhängige Variable nicht auf zwei Kategorien beschränkt ist.
Finden Sie ein nicht lineares Modell der Beziehung zwischen der abhängigen Variable und einer Reihe von unabhängigen Variablen.
Verwenden Sie Probit- und Logit-Antwortmodelle, um die Stärke von Reaktionen auf Stimuli wie Medikamentendosen, Preise oder Anreize zu analysieren. Dieses Verfahren misst den Zusammenhang zwischen der Stärke eines Stimulus und dem Anteil der Fälle, die eine bestimmte Reaktion auf den Stimulus zeigen.
Verwenden Sie in der ersten Stufe Instrumentalvariablen, die mit den Fehlertermen unkorreliert sind, um die geschätzten Werte eines oder mehrerer problematischer Prädiktoren zu berechnen. In der zweiten Phase verwenden Sie diese berechneten Werte, um eine Schätzung eines linearen Regressionsmodells für die abhängige Variable durchzuführen.
Kontrollieren Sie die Korrelationen zwischen den Prädiktorvariablen und den Fehlertermen, die bei zeitbasierten Daten auftreten können. Das Verfahren zur Schätzung der Gewichtung testet eine Reihe von Gewichtungstransformationen und zeigt die beste Lösung für die Daten an.
Das neue Verfahren der linearen elastischen Netzerweiterung erzeugt eine Schätzung von geregelten linearen Regressionsmodellen für eine abhängige Variable auf eine oder mehrere unabhängige Variablen.
Die neue lineare Lasso-Erweiterung schätzt den L1-Verlust in geregelten linearen Regressionsmodellen für eine abhängige Variable auf eine oder mehrere unabhängige Variablen.
Die neue lineare Ridge-Erweiterung schätzt L2- oder quadratische Regressionsmodelle für eine abhängige Variable auf eine oder mehrere unabhängige Variablen.
Fußnoten
* Benutzerbewertungen wurden möglicherweise durch einen Anreiz gewonnen.