IBM® SPSS® Regression memungkinkan Anda untuk memprediksi hasil kategorikal dan menerapkan berbagai prosedur regresi nonlinier. Anda dapat menggunakan prosedur ini untuk proyek bisnis dan analisis di mana teknik regresi biasa membatasi atau tidak sesuai. Hal ini termasuk mempelajari kebiasaan membeli konsumen, tanggapan terhadap perawatan atau menganalisis risiko kredit. Solusi ini membantu Anda memperluas kemampuan SPSS Statistics untuk tahap analisis data dalam proses analisis.
Modul ini termasuk dalam paket SPSS Standard, Professional dan Premium.
Hemat 10% untuk langganan dan add-on saat Anda memilih 12 bulan dengan perpanjangan otomatis
Baca ringkasan solusi
Memprediksi ada atau tidaknya suatu karakteristik atau hasil biner berdasarkan nilai dari serangkaian variabel prediktor. Model ini mirip dengan model regresi linier, tetapi cocok untuk model di mana variabel dependennya dikotomis dan diasumsikan mengikuti distribusi binomial. Estimasi koefisien dapat digunakan untuk mengestimasi rasio odds untuk masing-masing variabel independen dalam model.
Gunakan fungsi tautan logit untuk memodelkan ketergantungan respons ordinal politomus pada sekumpulan prediktor. Dalam model logit, peluang log hasil dimodelkan sebagai kombinasi linier dari variabel prediktor.
Mengklasifikasikan subjek berdasarkan nilai dari serangkaian variabel prediktor. Jenis regresi ini mirip dengan regresi logistik, tetapi lebih umum karena variabel dependennya tidak terbatas pada dua kategori.
Menemukan model nonlinier dari hubungan antara variabel dependen dan satu set variabel independen. Tidak seperti regresi linier tradisional, yang terbatas pada estimasi model linier, regresi nonlinier dapat mengestimasi model dengan hubungan yang berubah-ubah antara variabel independen dan dependen. Hal ini dilakukan dengan menggunakan algoritme estimasi berulang.
Gunakan pemodelan respons probit dan logit untuk menganalisis potensi respons terhadap rangsangan, seperti dosis obat, harga, atau insentif. Prosedur ini mengukur hubungan antara kekuatan stimulus dan proporsi kasus yang menunjukkan respons tertentu terhadap stimulus. Hal ini berguna untuk situasi di mana Anda memiliki output dikotomis yang dianggap dipengaruhi atau disebabkan oleh tingkat beberapa variabel independen, dan sangat cocok untuk data eksperimental.
Pada tahap pertama, gunakan variabel instrumental yang tidak berkorelasi dengan error term untuk menghitung nilai estimasi dari prediktor yang bermasalah. Pada tahap kedua, gunakan nilai yang dihitung tersebut untuk mengestimasi model regresi linier dari variabel dependen. Karena nilai yang dihitung didasarkan pada variabel yang tidak berkorelasi dengan kesalahan, hasil dari model dua tahap adalah optimal.
Mengontrol korelasi antara variabel prediktor dan istilah kesalahan yang dapat terjadi pada data berbasis waktu. Prosedur estimasi bobot menguji berbagai transformasi bobot dan menunjukkan mana yang akan memberikan kecocokan terbaik pada data.
Memodelkan hubungan antara sekumpulan variabel prediktor (independen) dan persentil tertentu (atau "kuantil") dari variabel target (dependen), yang paling sering adalah median. Regresi kuantil memiliki dua keunggulan utama dibandingkan regresi kuadrat terkecil biasa: regresi ini tidak membuat asumsi tentang distribusi variabel target dan cenderung menolak pengaruh observasi yang terpencil.