IBM SPSS Regression vous permet de prévoir les résultats catégoriels et d’appliquer diverses procédures de régression non linéaires. Vous pouvez utiliser ces procédures pour des projets métier et analytiques lorsque les techniques de régression ordinaires sont limitées ou inappropriées. Ces projets incluent l’étude des habitudes d’achat des consommateurs, des réponses aux traitements ou de l’analyse du risque de crédit. La solution vous aide à étendre les capacités de SPSS Statistics à l’étape d’analyse des données du processus analytique.
Ce module est inclus dans les packs SPSS standard, professionnel et premium.
Lire la présentation
Prévoyez la présence ou l’absence d’un résultat caractéristique ou binaire en fonction des valeurs d’un ensemble de variables de prédicteur. Elle est similaire à un modèle de régression linéaire, mais convient aux modèles où la variable dépendante est dichotomique et supposée suivre une distribution binomiale. Les coefficients estimés peuvent être utilisés pour estimer les coefficients de probabilité pour chacune des variables indépendantes du modèle.
Utilisez la fonction de lien logit pour modéliser la dépendance d’une réponse ordinale polytomique sur un ensemble de prédicteurs. Dans le modèle logit, les logarithmes de cote du résultat sont modélisés sous la forme d’une combinaison linéaire des variables de prédicteur.
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. Contrairement à la régression linéaire traditionnelle, qui est limitée à l’estimation de modèles linéaires, la régression non linéaire peut estimer des modèles avec des relations arbitraires entre des variables indépendantes et dépendantes. Pour ce faire, elle utilise des algorithmes d’estimation itératifs.
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. Elle est utile pour les cas présentant un résultat dichotomique censé être influencé ou causé par des niveaux de certaines variables indépendantes, et convient particulièrement aux données expérimentales.
Dans un premier temps, utilisez des variables instrumentales qui ne sont pas corrélées aux termes d’erreur pour calculer les valeurs estimées du ou des prédicteur(s) problématique(s). Dans un deuxième temps, utilisez ces valeurs calculées pour estimer un modèle de régression linéaire de la variable dépendante. Comme les valeurs calculées sont basées sur des variables qui ne sont pas corrélées aux erreurs, les résultats de la méthode des doubles moindres carrés sont optimaux.
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.
Modélisez la relation entre un ensemble de variables de prédicteur (indépendantes) et de percentiles spécifiques (ou « quantiles ») d’une variable cible (dépendante), le plus souvent la valeur médiane. La régression quantile présente deux principaux avantages par rapport à la régression aux moindres carrés ordinaire : elle ne fait aucune hypothèse quant à la distribution de la variable cible et tend à résister à l’influence des observations aberrantes.
- Pour le déploiement sur site : ajoutez-le à votre édition SPSS Statistics Base ou achetez l’édition standard.
- Pour les plans d’abonnement : achetez les modules complémentaires Custom Tables and Advanced Statistics.
- Processeur : 2 GHz ou supérieur
- Affichage : 1024*768 ou supérieur
- Mémoire : 4 Go de RAM requis, 8 Go de RAM ou supérieur recommandé
- Espace disque : 2 Go et plus