Tester Regression avec une version d’essai complète de SPSS
IBM SPSS Regression vous permet de prédire des résultats catégoriels, de créer des modèles de régression, d’analyser des résumés de modèles et d’appliquer diverses procédures de régression non linéaire à des jeux de données lorsque vous étudiez les habitudes d’achat des consommateurs, les réponses aux traitements, l’efficacité des mesures diagnostiques, l’analyse du risque de crédit et d’autres situations où les techniques ordinaires de régression et d’analyse des données sont limitées ou inadéquates.
Étudiez les habitudes d’achat des consommateurs. Optimisez les stratégies marketing et la satisfaction des clients.
Analysez les relations dose-effet pour améliorer la qualité des soins et obtenir de meilleurs résultats pour les patients.
Évaluez les risques de crédit et les données aberrantes et améliorez la relation client grâce à des offres ciblées.
Mesurez les résultats des tests de réussite universitaire et soutenez la recherche institutionnelle.
Examinez le comportement des clients pour proposer des offres personnalisées.
Améliorez les services aux citoyens et la sécurité. Évaluez la conformité des paiements fiscaux, minimisez la fraude et atténuez les menaces.
Prévoyez la présence ou l’absence d’un résultat caractéristique ou binaire en fonction des valeurs d’un ensemble de variables de prédicteur.
Utilisez la fonction de lien logit pour modéliser la dépendance d’une réponse ordinale polytomique sur un ensemble de prédicteurs.
Classifiez les sujets en fonction des valeurs d’un ensemble de variables de prédicteur. Ce type de régression est similaire à la régression logistique, mais est plus général, car la variable dépendante n’est pas limitée à deux catégories.
Recherchez un modèle non linéaire de la relation entre la variable dépendante et un ensemble de variables indépendantes.
Utilisez la modélisation de la réponse probit et logit pour analyser la puissance des réponses aux stimuli, tels que les doses de médicaments, les prix ou les primes de performance. Cette procédure mesure la relation entre la force d’un stimulus et la proportion de cas présentant une réponse donnée au stimulus.
Dans un premier temps, utilisez des variables instrumentales qui ne sont pas corrélées aux termes d’erreur pour calculer les valeurs estimées d’un ou plusieurs prédicteurs problématiques. Dans un deuxième temps, utilisez ces valeurs calculées pour estimer un modèle de régression linéaire de la variable dépendante.
Contrôlez les corrélations entre les variables de prédicteur et les termes d’erreur qui peuvent se produire avec des données temporelles. La procédure de pondération estimée teste une série de transformations de pondération et indique celle qui correspond le mieux aux données.
La nouvelle procédure d’extension linéaire du filet élastique estime des modèles de régression linéaire régularisés pour une variable dépendante sur une ou plusieurs variables indépendantes.
La nouvelle extension linéaire du lasso estime la perte L1 dans les modèles de régression linéaire régularisés pour une variable dépendante sur une ou plusieurs variables indépendantes.
La nouvelle procédure d’extension linéaire de crête estime les modèles de régression linéaire régularisés par perte L2 ou au carré pour une variable dépendante sur une ou plusieurs variables indépendantes.
Notes de bas de page
*Les avis des utilisateurs peuvent avoir été obtenus dans le cadre d’une mesure incitative.