Kategori Uji dengan uji coba SPSS fitur lengkap atau hubungi kami untuk membeli
IBM SPSS Categories memungkinkan Anda memvisualisasikan dan menjelajahi hubungan dalam data Anda, membantu Anda memprediksi hasil berdasarkan analisis statistik Anda. Solusi ini menggunakan teknik regresi kategoris untuk memprediksi nilai variabel hasil nominal, ordinal, atau numerik dari kombinasi variabel numerik dan variabel prediktor kategoris yang diurutkan atau tidak diurutkan. Perangkat lunak ini dilengkapi prosedur statistik seperti analisis prediktif, pembelajaran statistik, pemetaan persepsi, dan penskalaan preferensi.
Modul ini disertakan dalam edisi IBM SPSS Statistics Professional untuk penggunaan lisensi tradisional dan sebagai bagian dari add-on Pengambilan Sampel Kompleks dan Pengujian IBM SPSS untuk paket berlangganan.
Gunakan SPSS Categories untuk melakukan analisis korespondensi, sehingga lebih mudah untuk memvisualisasikan dan menganalisis perbedaan antara kategori.
Gabungkan informasi tambahan dengan mendefinisikan atribut khusus untuk variabel. Hal ini memungkinkan Anda untuk menambahkan konteks atau metadata tambahan yang tidak didapatkan oleh label standar, nilai pengukuran, atau missing values. Atribut ini dapat menyimpan informasi lebih lanjut, seperti catatan deskriptif, unit pengukuran, atau pengodean, sehingga memberikan lebih banyak konteks untuk analisis data.
Gunakan normalisasi simetris untuk menghasilkan biplot sehingga Anda dapat melihat asosiasi dengan lebih baik.
Analisis dan interpretasikan data multivariat Anda dan hubungannya dengan lebih efektif melalui analisis data yang mendalam. Misalnya, pahami karakteristik konsumen mana yang paling terkait erat dengan produk atau merek Anda dalam kumpulan data Anda, atau bandingkan persepsi pelanggan tentang produk Anda dengan yang ditawarkan oleh Anda atau pesaing Anda.
Memprediksi nilai variabel hasil nominal, ordinal, atau numerik dari kombinasi variabel prediktor numerik dan kategorik terurut atau tidak terurut. Gunakan regresi dengan penskalaan optimal untuk menggambarkan, misalnya, bagaimana kepuasan kerja dapat diprediksi dari kategori pekerjaan, wilayah geografis, dan jumlah perjalanan yang berhubungan dengan pekerjaan.
Mengukur variabel sehingga Multiple R dimaksimalkan. Penskalaan optimal dapat diterapkan pada variabel numerik ketika residual tidak normal atau ketika variabel prediktor tidak linear terkait dengan variabel hasil. Metode regularisasi seperti regresi ridge, laso, dan jaring elastis dapat meningkatkan akurasi prediksi dengan menstabilkan estimasi parameter.
Gunakan teknik pengurangan dimensi untuk melihat hubungan di dalam data Anda. Bagan ringkasan menampilkan variabel atau kategori yang serupa untuk memberi Anda insight tentang hubungan di antara lebih dari dua variabel.
Teknik-tekniknya meliputi analisis korespondensi (CORRESPONDENCE), regresi kategorikal (CATREG), analisis korespondensi berganda (MULTIPLE CORRESPONDENCE), CATPCA, korelasi kanonik nonlinier (OVERALS), penskalaan kedekatan (PROXSCAL), dan penskalaan preferensi (PREFSCAL).
- Untuk on premises: beli edisi Professional.
- Untuk paket langganan: beli add-on Pengambilan Sampel Kompleks dan Pengujian.
- Prosesor: 2 GHz atau lebih cepat
- Tampilan: 1024x768 atau lebih tinggi
- Memori: Diperlukan RAM 4 GB, disarankan RAM 8 GB atau lebih
- Ruang Disk: 2 GB atau lebih