IBM SPSS Categories consente di visualizzare ed esplorare le relazioni tra i dati e di prevedere i risultati in base ai risultati ottenuti.Utilizza procedure di regressione categorica per prevedere i valori di una variabile di risultato nominale, ordinale o numerica da una combinazione di variabili predittive di categoria numeriche ordinate o non ordinate.Il software presenta tecniche avanzate come l'analisi predittiva, l'apprendimento statistico, la mappatura percettiva e il dimensionamento delle preferenze.
Questo modulo è incluso nell'edizione professionale di SPSS Statistics per i piani on-premises e nel componente aggiuntivo "Complex sampling and testing" per i piani di abbonamento.
Usa l'analisi della corrispondenza per visualizzare e analizzare più facilmente le differenze tra le categorie.
Incorpora informazioni supplementari su variabili aggiuntive.
Usa la normalizzazione simmetrica per produrre un biplot per visualizzare meglio le associazioni.
Approfitta degli strumenti che ti aiutano ad analizzare e interpretare i tuoi dati multi variati e le loro relazioni in modo più completo.Ad esempio, capire quali sono le caratteristiche a cui i consumatori si riferiscono maggiormente in termini di prodotto o marchio, o determinare la percezione dei clienti dei tuoi prodotti rispetto ad altri prodotti offerti da te o dai tuoi concorrenti.
Prevedi i valori di una variabile di risultato nominale, ordinale o numerica da una combinazione di variabili predittive di categoria numeriche ordinate o non ordinate.Utilizza la regressione con un dimensionamento ottimale per descrivere, ad esempio, come è possibile prevedere la soddisfazione in azienda in base alla categoria di lavoro, all'area geografica e alla quantità di viaggi legati al lavoro.
Quantifica le variabili in modo che il multiplo R sia massimizzato.Il ridimensionamento ottimale può essere applicato alle variabili numeriche quando i residui non sono normali o quando le variabili predittive non sono correlate linearmente con la variabile di risultato.I metodi di regolarizzazione come la regressione della cresta, la regressione lasso e la rete elastica possono migliorare l'accuratezza delle previsioni stabilizzando le stime dei parametri.
Utilizza tecniche di riduzione delle dimensioni per visualizzare le relazioni tra i dati.I grafici di riepilogo visualizzano variabili o categorie simili per fornire una visione delle relazioni tra più di due variabili.
Le tecniche includono l'analisi delle corrispondenze (CORRESPONDENCE), la regressione della categoria (CATREG), l'analisi delle corrispondenze multipla (MULTIPLE CORRESPONDENCE), CATPCA, correlazione canonica non lineare (OVERALS), dimensionamento di prossimità (PROXSCAL) e dimensionamento delle preferenze (PREFSCAL).