IBM® SPSS Regression consente di prevedere i risultati categorici e applicare varie procedure di regressione non lineare. È possibile utilizzare queste procedure per progetti aziendali e di analisi in cui le normali tecniche di regressione sono limitanti o inappropriate. Questo include lo studio delle abitudini di acquisto dei consumatori, le risposte alle terapie o l'analisi del rischio di credito. La soluzione ti consente di espandere le funzionalità di SPSS Statistics per la fase di analisi dei dati del processo analitico.
Questo modulo è incluso nei pacchetti SPSS Standard, Professional e Premium.
Risparmia il 10% su abbonamenti e componenti aggiuntivi se scegli 12 mesi con il rinnovo automatico
Leggi il prospetto informativo della soluzione
Prevedi la presenza o l'assenza di un risultato caratteristico o binario in base ai valori di una serie di variabili predittori. È simile ad un modello di regressione lineare ma è indicato per i modelli in cui la variabile dipendente è dicotomica e in cui si presume che segua una distribuzione binomiale. I coefficienti stimati possono essere utilizzati per stimare i rapporti di probabilità per ciascuna delle variabili indipendenti nel modello.
Utilizza la funzione di link logit per modellare la dipendenza di una risposta ordinale politomica su una serie di predittori. Nel modello di logit, gli odd logaritmici del risultato sono modellati come una combinazione lineare delle variabili predittori.
Classifica i soggetti in base ai valori di una serie di variabili predittori. Questo tipo di regressione è simile alla regressione logistica ma 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. A differenza della regressione lineare tradizionale, che si limita a stimare modelli lineari, la regressione non lineare può stimare i modelli con relazioni arbitrarie tra variabili indipendenti e dipendenti. Ciò si ottiene utilizzando gli algoritmi di stima iterativi.
Utilizza la modellazione delle risposte probit e logit per analizzare la valenza delle risposte agli stimoli, come dosi dei 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. È utile per le situazioni in cui hai un output dicotomico che si pensa sia influenzato o causato dai livelli di alcune variabili indipendenti ed è particolarmente adatta ai dati sperimentali.
Nella prima fase, utilizza variabili strumentali non correlate con i termini di errore per calcolare i valori stimati del predittore o dei predittori problematici. Nella seconda fase, utilizza quei valori calcolati per stimare un modello di regressione lineare della variabile dipendente. Poiché i valori calcolati sono basati su variabili non correlate agli errori, i risultati del modello in due fasi sono ottimali.
Controlla le correlazioni tra le variabili predittori 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.
Modella la relazione tra una serie di variabili predittori (indipendenti) e percentili specifiche (o "quantili") di una variabile di destinazione (dipendente), nella maggior parte dei casi la mediana. La regressione quantile ha due vantaggi principali rispetto alla regressione dei minimi quadrati ordinaria: non fa supposizioni sulla distribuzione della variabile di destinazione e tende a resistere all'influenza delle osservazioni fuori scala.