IBM SPSS Data Preparation

La finestra di dialogo Convalida dati viene utilizzata per convalidare i dati. La scheda Variabili mostra le variabili personali. Iniziare selezionando le variabili desiderate e spostandole nell'elenco Variabili di analisi.

È possibile specificare i controlli base da applicare alle variabili e ai casi personali. Ad esempio, è possibile ottenere report che identificano le variabili con un'elevata percentuale di valori mancanti o casi vuoti.

Applicare regole alle singole variabili che identificano valori non validi - valori al di fuori di un intervallo valido o valori mancanti. Inoltre è possibile creare delle regole personalizzate, regole tra variabili e applicare quelle predefinite.

La preparazione automatizzata dei dati offre dei suggerimenti e consente agli utenti di provare ed esaminare i suggerimenti.

La preparazione manuale dei dati è un processo lungo e complesso. Se hai bisogno di risultati rapidi, la procedura ADP consente di rilevare e correggere gli errori di qualità e di attribuire i valori mancanti con un passaggio efficiente. La funzione ADP offre un report facile da comprendere con visualizzazioni e suggerimenti completi per determinare i giusti dati da utilizzare nell'analisi.

Eseguire i controlli dei dati automatici ed eliminare i noiosi e lunghi controlli manuali utilizzando la procedura di convalida dei dati. Questa procedura consente di applicare regole per eseguire controlli dei dati in base al livello di misura di ciascuna variabile - sia categoriale che continuo. Quindi, determinare la validità dei dati e rimuovere o correggere i casi sospetti a propria discrezione prima dell'analisi.

SPSS Data Preparation include funzioni come la convalida dei dati, la preparazione automatizzata dei dati, la raccolta ottimale e l'identificazione di casi insoliti.

Con la procedura di raccolta ottimale, è possibile utilizzare più accuratamente gli algoritmi progettati per gli attributi nominali, come Naive Bayes e i modelli di logit. La raccolta ottimale consente di eseguire la raccolta o di impostare limiti per le variabili di scala.

Scegli uno di questi tipi di raccolta ottimale per i dati di pre-elaborazione prima della creazione del modello:
1) Non supervisionato: Creare dei bin con conteggi uguali.
2) Supervisionato: Prendere in considerazione la variabile di destinazione per determinare i limiti. Questo metodo è più accurato di quello non supervisionato; tuttavia, è anche più intensivo computazionalmente.
3) Approccio ibrido: Combinare gli approcci non supervisionato e supervisionato. Questo metodo è particolarmente utile se si ha una grande quantità di valori distinti.