IBM SPSS Categories vous permet de visualiser et d’explorer les relations entre vos données et d’anticiper les résultats en fonction de vos conclusions. Il utilise des méthodes de régression catégorielle pour anticiper les valeurs d’une variable de sortie nominale, ordinale ou numérique à partir d’une combinaison de variables de prédicteur indépendant numériques et ordonnées ou non ordonnées. Le logiciel propose des techniques avancées telles que l’analyse prédictive, l’apprentissage statistique, le mappage perceptuel et le dépliage multidimensionnel.
Ce module est inclus dans l’édition professionnelle SPSS Statistics pour le déploiement sur site et dans le module complémentaire Complex Sampling and Testing pour les plans d’abonnement.
Utilisez l’analyse de correspondance pour afficher et analyser plus facilement les différences entre les catégories.
Intégrez des informations supplémentaires sur des variables supplémentaires.
Utilisez la normalisation symétrique pour produire un tracé double afin de mieux visualiser les associations.
Bénéficiez d’outils vous permettant d’analyser et d’interpréter vos données multivariées et leurs relations de manière plus complète. Par exemple, comprenez les caractéristiques auxquelles les consommateurs se rapportent le plus en termes de produit ou de marque, ou déterminez comment les clients perçoivent vos produits par rapport aux autres produits que vous proposez ou à ceux de vos concurrents.
Anticipez les valeurs d’une variable de sortie nominale, ordinale ou numérique à partir d’une combinaison de variables de prédicteur indépendant numériques, ordonnées ou non ordonnées. Utilisez la régression avec une mise à l’échelle optimale pour décrire, par exemple, comment la satisfaction au travail peut être anticipée à partir de la catégorie d’emploi, de la région géographique et du nombre de déplacements liés au travail.
Quantifiez les variables de manière à maximiser le R multiple. Le codage optimal peut être appliqué aux variables numériques lorsque les valeurs résiduelles sont anormales ou lorsque les variables de prédicteur ne sont pas liées de manière linéaire à la variable de sortie. Les méthodes de régularisation telles que la régression Ridge, Lasso et Elastic net peuvent améliorer la précision des prévisions en stabilisant les estimations des paramètres.
Utilisez des techniques de réduction des dimensions pour visualiser les relations dans vos données. Les graphiques récapitulatifs affichent des variables ou des catégories similaires pour vous fournir des informations sur les relations entre plus de deux variables.
Les techniques comprennent l’analyse de correspondance (CORRESPONDENCE), la régression catégorielle (CATREG), l’analyse de correspondance multiple (MULTIPLE CORRESPONDENCE), la CATPCA, la corrélation canonique non linéaire (OVERALS), le positionnement multidimensionnel (PROXSCAL) et le dépliage multidimensionnel (PREFSCAL).