Prova il modulo Regression con una versione di prova completa di SPSS
IBM® SPSS Regression consente di prevedere risultati categorici, creare modelli di regressione, analizzare i riepiloghi dei modelli e applicare varie procedure di regressione non lineare ai set di dati durante lo studio delle abitudini di acquisto dei consumatori, delle risposte al trattamento, dell'efficacia delle misure diagnostiche, dell'analisi del rischio di credito e di altre situazioni in cui le tecniche ordinarie di regressione e analisi dei dati sono limitanti o inappropriate.
Studia le abitudini di acquisto dei consumatori. Ottimizza le strategie di marketing e la soddisfazione del cliente.
Analizza le risposte al dosaggio per migliorare la qualità dell'assistenza e ottenere migliori risultati per i pazienti.
Valuta i rischi di credito e gli outlier e migliora le relazioni con i clienti attraverso offerte mirate.
Misura i risultati accademici nei test e supporta la ricerca istituzionale.
Analizza il comportamento dei clienti per personalizzare le offerte.
Migliora i servizi e la sicurezza dei cittadini. Controlla il corretto pagamento delle imposte, riduci al minimo le frodi e mitiga le minacce.
Prevedi la presenza o l'assenza di un risultato caratteristico o binario in base ai valori di una serie di variabili predittori.
Utilizza la funzione di link logit per modellare la dipendenza di una risposta ordinale politomica su una serie di predittori.
Classifica i soggetti in base ai valori di una serie di variabili predittive. Questo tipo di regressione è simile alla regressione logistica, tuttavia è più generale perché la variabile dipendente non è limitata a due categorie.
Trova un modello non lineare del rapporto tra la variabile dipendente e una serie di variabili indipendenti.
Utilizza la modellazione delle risposte probit e logit per analizzare l'efficacia delle risposte agli stimoli, come dosi di farmaci, prezzi o incentivi. Questa procedura misura il rapporto tra la forza di uno stimolo e la percentuale di casi che esibisce una certa risposta allo stimolo.
Nella prima fase, utilizza variabili strumentali non correlate con i termini di errore per calcolare i valori stimati di uno o più predittori problematici. Nella seconda fase, utilizza quei i calcolati per stimare un modello di regressione lineare della variabile dipendente.
Controlla le correlazioni tra le variabili predittive e i termini di errore che possono verificarsi con i dati basati sul tempo. La procedura di stima dei pesi esamina una serie di trasformazioni dei pesi e indica quella che si adatta meglio ai dati.
La nuova procedura di estensione della rete lineare elastica stima modelli di regressione lineare regolarizzati per una variabile dipendente su una o più variabili indipendenti.
La nuova estensione linear lasso stima la perdita L1 nei modelli di regressione lineare regolarizzata per una variabile dipendente su una o più variabili indipendenti.
La nuova procedura di estensione linear ridge stima i modelli di regressione lineare regolarizzata a perdita quadrata L2 per una variabile dipendente da una o più variabili indipendenti.
Note a piè di pagina
*Le recensioni degli utenti possono essere state ottenute attraverso un incentivo.