Pruebe Regression con una versión de prueba completa de SPSS
IBM SPSS Regression le permite predecir resultados categóricos, crear modelos de regresión, analizar resúmenes de modelos y aplicar diversos procedimientos de regresión no lineal a conjuntos de datos para estudiar hábitos de compra de los consumidores, respuestas a tratamientos, eficacia de medidas de diagnóstico, análisis de riesgo crediticio y otras situaciones en las que las técnicas ordinarias de regresión y análisis de datos son limitantes o inapropiadas.
Estudie los hábitos de compra de los consumidores. Optimice las estrategias de marketing y la satisfacción del cliente.
Analice las respuestas a las dosis para mejorar la calidad de la atención y lograr mejores resultados para los pacientes.
Evalúe los riesgos crediticios y los valores atípicos y mejore la relación con el cliente mediante ofertas personalizadas.
Mida las pruebas de rendimiento académico y apoye la investigación institucional.
Examine el comportamiento de los clientes para seleccionar ofertas personalizadas.
Mejore los servicios y la seguridad de los ciudadanos. Evalúe el cumplimiento del pago de impuestos, minimice el fraude y mitigue las amenazas.
Predice la presencia o ausencia de una característica o resultado binario en función de los valores de un conjunto de variables predictoras.
Utilice la función de enlace logit para modelizar la dependencia de una respuesta ordinal politómica de un conjunto de predictores.
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 se limita a 2 categorías.
Encuentre un modelo no lineal de la relación entre la variable dependiente y un conjunto de variables independientes.
Utilice modelos 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 potencia de un estímulo y la proporción de casos que muestran una respuesta determinada al estímulo.
En la primera etapa, utilice variables instrumentales que no estén correlacionadas con los términos de error para calcular los valores estimados de uno o más predictores problemáticos. En la segunda etapa, utilice esos valores para estimar un modelo de regresión lineal de la variable dependiente.
Controle las correlaciones entre las variables predictoras y los términos de error que pueden producirse con los datos temporales. El procedimiento de estimación de pesos prueba una serie de transformaciones de pesos e indica cuál se ajusta mejor a los datos.
El nuevo procedimiento de extensión de la red elástica lineal estima modelos de regresión lineal regularizados para una variable dependiente de una o más variables independientes.
La nueva extensión lineal de Lasso estima la pérdida L1 en los modelos de regresión lineal regularizados para una variable dependiente de una o más variables independientes.
El nuevo procedimiento de extensión lineal de Ridge estima L2 o modelos de regresión lineal regularizados de pérdida al cuadrado para una variable dependiente en una o más variables independientes.
Notas a pie de página
* Las opiniones de los usuarios pueden haberse obtenido mediante un incentivo.