Ce que cette solution peut faire pour votre entreprise
IBM® SPSS® Categories vous permet de visualiser et d'explorer les relations entre vos données, et de prévoir les résultats en fonction de vos données de base. Utilisez les procédures de régression catégorielle afin de prévoir les valeurs d'une variable de sortie nominale, ordinale ou numérique à partir d'une combinaison de prédicteurs indépendants numériques et ordonnés ou non ordonnés. Ce logiciel propose des techniques avancées telles que l'analyse prédictive, l'apprentissage statistique, la carte perceptuelle et l'échelle de préférence.
Ce module est inclus dans SPSS Statistics Professional edition pour les installations sur site, et dans le module complémentaire "Complex sampling and testing" pour les plans d'abonnement.
À la une
Analyser les différences entre les catégories
Utilisez l'analyse de correspondance pour afficher et analyser plus facilement les différences entre les catégories.
Intégrer des informations supplémentaires
Incorporez des informations supplémentaires dans des variables additionnelles.
Révéler des associations et des relations
Utilisez la normalisation symétrique pour générer un tracé double permettant de mieux voir les associations.
Utiliser facilement les données catégorielles
Bénéficiez d'outils vous permettant d'analyser et d'interpréter vos données multivariées et leurs relations sans difficulté et de façon plus complète. Par exemple, déterminer quelles caractéristiques les consommateurs associent le plus étroitement à votre produit ou à votre marque, ou comment les clients perçoivent votre produit par rapport à d'autres produits que vous-même ou vos concurrents proposez.
Utiliser des procédures de régression catégorielle
Prévoyez les valeurs d'une variable de sortie nominale, ordinale ou numérique à partir d'une combinaison de prédicteurs indépendants numériques et ordonnés ou non ordonnés. Utilisez la régression avec le dimensionnement optimal pour décrire, par exemple, comment la satisfaction au travail peut être prévue à partir de la catégorie professionnelle, de la région géographique et de la quantité de déplacements professionnels.
Tirer parti du dimensionnement optimal
Quantifiez les variables de manière à maximiser le R multiple. Le dimensionnement optimal peut être appliqué aux variables numériques lorsque les résidus sont anormaux ou que les variables explicatives ne sont pas associées de façon linéaire à la variable dépendante. Les méthodes de régularisation telles que la régression Ridge, Lasso et Elastic Net peuvent améliorer la précision des prédictions en stabilisant les estimations de paramètres.
Présenter vos résultats plus clairement grâce aux cartes perceptuelles
Utilisez les techniques de réduction des dimensions pour visualiser des relations dans vos données. Les graphiques récapitulatifs affichent des variables ou des catégories similaires pour vous permettre de mieux comprendre les relations entre plus de deux variables.
Obtenir ces techniques de dimensionnement optimal et de réduction des dimensions
Les techniques utilisées sont l'analyse des correspondances (CORRESPONDENCE), la régression catégorielle (CATREG), l'analyse des correspondances multiples (MULTIPLE CORRESPONDENCE), CATPCA, l'analyse des corrélations canoniques non linéaires(OVERALS), le dimensionnement de proximité (PROXSCAL) et le dimensionnement des préférences (PREFSCAL).
Images des produits
Table de sortie des données de correspondance
Synthèse des lignes dans la table de sortie
Lignes représentées en nuage de points
Définition d'une régression basée sur la correspondance
Détails techniques
Configuration logicielle requise
- Pour les installations sur site : Acheter l'édition professionnelle
- Pour les plans d'abonnement : Acheter le module complémentaire "Complex sampling and testing"
Configuration matérielle requise
- Processeur : 2 GHz ou plus
- Affichage : 1024x768 ou plus
- Mémoire : 4 Go de RAM obligatoires, 8 Go de RAM ou plus recommandés
- Espace disque : 2 Go au minimum