Más información sobre todas las características del módulo en las versiones de licencia de SPSS Statistics.

Más información sobre todas las características del módulo en las versiones de licencia de SPSS Statistics. Lea el resumen de la solución (PDF, 437 KB)

¿Qué puede hacer por su negocio?

IBM® SPSS® Regression permite prever resultados categóricos y aplicar varios procedimientos de regresión no lineal. Puede utilizar estos procedimientos para proyectos de negocio y análisis en los que las técnicas de regresión ordinarias están limitadas o no son apropiadas. Esto incluye estudiar los hábitos de compra de los consumidores, las respuestas a tratamientos o analizar el riesgo de crédito. La solución le ayuda a ampliar las funcionalidades de SPSS Statistics para la etapa de análisis de datos del proceso analítico.

Este módulo está incluido en los paquetes SPSS Standard, Professional y Premium.

Puntos destacados de la característica

Regresión logística binaria

Prevea la presencia o la ausencia de un resultado característico o binario basado en los valores de un conjunto de variables predictoras. Es similar a un modelo de regresión lineal, pero se adapta a los modelos en los que la variable dependiente es dicotómica y se supone que sigue una distribución binomial. Los coeficientes estimados se pueden utilizar para estimar la razón de probabilidades para cada una de las variables independientes en el modelo.

Modelos de respuesta de logit

Utilice la función de enlace logit para modelar la dependencia de una respuesta ordinal politómica en un conjunto de predictores. En el modelo logit, las probabilidades de registro del resultado se modelan como una combinación lineal de las variables predictoras.

Regresión logística multinomial

Clasifique los sujetos en función de los valores de un conjunto de variables predictoras. Este tipo de regresión es similar a la regresión logística, pero es más general porque la variable dependiente no está restringida a dos categorías.

Regresión no lineal

Encuentre un modelo no lineal de la relación entre la variable dependiente y un conjunto de variables independientes. A diferencia de la regresión lineal tradicional, que está restringida a la estimación de modelos lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre variables dependientes e independientes. Esto se lleva a cabo utilizando algoritmos de estimación iterativos.

Análisis de respuesta de probit

Utilice el modelado de respuesta probit y logit para analizar la potencia de las respuestas a estímulos, como dosis de medicamentos, precios o incentivos. Este procedimiento mide la relación entre la fuerza de un estímulo y la proporción de casos que presentan una cierta respuesta al estímulo. Resulta de gran utilidad para situaciones en las que tiene un resultado dicotómico que se considera que está influenciado o causado por niveles de algunas variables independientes, y es especialmente adecuado para datos experimentales.

Mínimos cuadrados en dos etapas

En la primera etapa, utilice variables instrumentales que no estén correlacionadas con los términos de error para calcular los valores estimados de los predictores problemáticos. En la segunda etapa, utilice los valores calculados para estimar un modelo de regresión lineal de la variable dependiente. Puesto que los valores calculados se basan en variables que no están correlacionadas con los errores, los resultados del modelo de dos etapas son óptimos.

Mínimos cuadrados ponderados

Controle las correlaciones entre las variables predictoras y los términos de error que se pueden producir con datos basados en el tiempo. El procedimiento de estimación ponderada prueba un rango de transformaciones de ponderación e indica cuál se ajustará mejor a los datos.

Regresión cuantil

Modele la relación entre un conjunto de variables predictoras (independientes) y percentiles específicos (o "cuantiles") de una variable de destino (dependiente), la mayoría de las veces la mediana. La regresión de cuantiles presenta dos ventajas principales sobre la regresión de mínimos cuadrados ordinaria: no realiza ninguna suposición sobre la distribución de la variable objetivo y tiende a resistir la influencia de observaciones periféricas.

Imágenes del producto

Detalles técnicos

Cómo comprar SPSS Statistics Regression

  • Para instalación en local: Añádalo a su edición base de SPSS Statistics o compre la edición estándar
  • Para planes de suscripción: Compre el complemento "Tablas personalizadas y Estadísticas avanzadas"

Requisitos de hardware

  • Procesador: 2 GHz o más rápido
  • Monitor: 1024*768 o superior
  • Memoria: se requieren 4 GB de RAM, se recomiendan 8 GB de RAM o más
  • Espacio de disco: 2 GB o más

Next Steps

Pruebe SPSS Statistics de forma gratuita

Compre ahora para empezar hoy