IBM SPSS Categories consente di visualizzare ed esplorare le relazioni nei dati, aiutandoti a prevedere i risultati in base all'analisi statistica. Utilizza tecniche di regressione categoriale per prevedere i valori delle variabili di esito nominali, ordinali o numeriche da una combinazione di variabili predittive categoriali numeriche e ordinate o non ordinate. Il software è dotato di procedure statistiche quali analisi predittiva, apprendimento statistico, mappatura percettiva e ridimensionamento delle preferenze.
Questo modulo è incluso nell'edizione IBM SPSS Statistics Professional per l'utilizzo con licenze tradizionali e nel componente aggiuntivo IBM SPSS Complex Sampling and Testing per i piani di abbonamento.
Prova il tour interattivo del prodotto SPSS Statistics per scoprire quanto sia facile estrarre insight utili per ottimizzare le tue decisioni.
Utilizza il modulo SPSS Categories per condurre l'analisi delle corrispondenze, semplificando la visualizzazione e l'analisi delle differenze tra le categorie.
Incorpora informazioni supplementari definendo attributi personalizzati per le variabili. In questo modo è possibile aggiungere contesto o metadati non catturati da etichette standard, valori di misurazione o valori mancanti. Questi attributi possono memorizzare ulteriori informazioni, come note descrittive, unità di misura o schemi di codifica, fornendo ulteriore contesto per l'analisi dei dati.
Usa la normalizzazione simmetrica per produrre un biplot per visualizzare meglio le associazioni.
Analizza e interpreta in modo più efficace i dati multivariati e le loro relazioni attraverso un'analisi approfondita. Ad esempio, puoi capire quali caratteristiche dei consumatori sono più strettamente associate al tuo prodotto o brand nel tuo set di dati, oppure puoi confrontare le percezioni dei clienti riguardo ai tuoi prodotti e a quelli della concorrenza.
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 da aumentare al massimo il coefficiente di determinazione. Il ridimensionamento ottimale può essere applicato alle variabili numeriche quando i residui non sono normali o quando le variabili predittive non sono linearmente correlate alla 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 insight sulle 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).