概要
主要な機能
カテゴリー間の相違の分析
対応分析を使用すると、さらに簡単にカテゴリー間の相違を表示して分析できます。
補足情報の取り込み
追加の変数に関する補足情報を取り込むことができます。
関連性と関係性の解明
対称正規化を使用してバイプロットを作成すると、関連性をより深く把握できます。
カテゴリー・データの簡単な処理
さらに完全に多変量データとその関係を分析して解釈するために役立つツールを利用できます。例えば、消費者が製品やブランドにどのような特長を最も深く関連付けているのか、また、製品を競合製品と比較してどのように認識しているかを理解できます。
カテゴリー回帰の使用
複数の数値および(非)順序カテゴリー型予測変数から、名義型、順序型、数値型の目的変数の値を予測します。回帰を最適尺度法と共に使用して、例えば、職種、地理的地域、出張の量から仕事に対する満足度を予測できるかを記述できます。
最適尺度法の活用
Multiple Rが最大となるように変数を数量化します。残差が非名義である場合、または予測変数が結果変数と線形的に関連していない場合、最適尺度法を数値型の変数に適用できます。Ridge回帰、Lasso、Elastic Netなどの正則化手法により、パラメーター推計値を安定化することで、予測精度を高めます。
知覚マップを使用した結果の明確な表示
次元縮小手法を使用して、データ内の関係性を明らかにします。サマリー・グラフには類似する変数やカテゴリーが表示され、3つ以上の変数間の関係に対する洞察を得られます。
最適尺度法と次元縮小手法の取得
手法には、対応分析(CORRESPONDENCE)、カテゴリー回帰(CATREG)、複数対応分析(MULTIPLE CORRESPONDENCE)、CATPCA、非線形正準相関(OVERALS)、近接性尺度法(PROXSCAL)、選好尺度法(PREFSCAL)が含まれます。
技術的詳細
ハードウェア要件
- プロセッサー: 2 GHz以上
- モニター:1024x768以上
- メモリー: 4 GBのRAMが必要、8 GB以上のRAMを推奨
- ディスク・スペース: 2GB以上