IBM® SPSS Regression le permite predecir resultados categóricos y aplicar varios procedimientos de regresión no lineal. Puede utilizar estos procedimientos para proyectos empresariales y de análisis en los que las técnicas de regresión ordinarias son limitantes o inapropiadas. Esto incluye el estudio de los hábitos de compra de los consumidores, las respuestas a los tratamientos o el análisis del riesgo crediticio.La solución le ayuda a ampliar las capacidades 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.
Ahorre un 10% en una suscripción y complementos al elegir 12 meses con renovación automática
Lea el resumen de la solución
Predice la presencia o ausencia de una característica o resultado binario en función de los valores de un conjunto de variables predictoras. Es similar a un modelo de regresión lineal, pero se adapta a modelos en los que la variable dependiente es dicotómica y se supone que sigue una distribución binomial. Los coeficientes estimados pueden utilizarse para estimar las razones de las ventajas de cada una de las variables independientes del modelo.
Utilice la función de enlace logit para modelizar la dependencia de una respuesta ordinal politómica de un conjunto de predictores. En el modelo logit, las probabilidades logarítmicas del resultado se modelan como una combinación lineal de las variables predictoras.
Clasifique a 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 dos categorías.
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 se limita a estimar modelos lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre variables independientes y dependientes. Para ello se utilizan algoritmos de estimación iterativos.
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 determinada respuesta al estímulo. Resulta útil en situaciones en las que se tiene un resultado dicotómico que se cree que está influido o causado por los niveles de alguna(s) variable(s) independiente(s), y se adapta especialmente bien a los datos experimentales.
En la primera etapa, utilice variables instrumentales que no estén correlacionadas con los términos de error para calcular los valores estimados del predictor o predictores problemáticos.En la segunda etapa, utilice esos valores calculados para estimar un modelo de regresión lineal de la variable dependiente.Dado que los valores calculados se basan en variables no correlacionadas con los errores, los resultados del modelo en dos etapas son óptimos.
Controle las correlaciones entre las variables predictoras y los términos de error que pueden producirse con los datos basados en el tiempo. El procedimiento de estimación ponderada prueba una serie de transformaciones ponderadas e indica cuál se ajustará mejor a los datos.
Modelice la relación entre un conjunto de variables predictoras (independientes) y percentiles específicos (o "cuantiles") de una variable objetivo (dependiente), la mayoría de las veces la mediana. La regresión cuantil tiene dos ventajas principales sobre la regresión por mínimos cuadrados ordinarios: no hace suposiciones sobre la distribución de la variable objetivo y tiende a resistir la influencia de las observaciones periféricas.
- Para uso en local: añádalo a su edición SPSS Statistics Base o adquiera la edición Standard
- Para planes de suscripción: Compre el complemento "Tablas personalizadas y Estadísticas avanzadas"
- Procesador: 2 GHz o superior
- Pantalla: 1024*768 o superior
- Memoria: 4 GB de RAM necesarios, 8 GB de RAM o más recomendados
- Espacio del disco: 2 GB o más