IBM SPSS Regression

一連の予測変数の値に基づいて、特性またはバイナリー結果の有無を予測します。線型回帰モデルに似ていますが、従属変数が二分変数であるモデルに適しており、2項分布に従うと想定されます。予測計数を使用して、モデル内の各独立変数のオッズ比を推定することができます。

ロジット・リンク関数を使用して、一連の予測子に対する多分割順序応答の依存をモデル化します。ロジット・モデルでは、結果の対数オッズは予測変数の線形結合としてモデル化されます。

一連の予測変数の値に基づいて被験者を分類します。このタイプの回帰はロジスティック回帰に似ていますが、従属変数が2つのカテゴリーに制限されず、より一般的になります。

従属変数と一連の独立変数の間の関係の非線型モデルを検出します。線型モデルの推定に限定される従来の線型回帰とは異なり、非線型回帰では従属変数と独立変数の間に任意の関係があるモデルを推定することができます。これは、反復推定アルゴリズムを使用して実行されます。

プロビットとロジットの応答モデリングを使用して、投薬、価格、インセンティブなどの刺激に対する応答比を分析します。このプロシージャーは、刺激の強さと刺激に対して一定の応答を示すケースの割合との関係を測定します。ある独立変数のレベルが影響しているか、または原因となっていると思われる二分出力がある場合に役立ちます。特に実験データに適しています。

第1段階で、誤差項と相関していない操作変数を使用して、問題のある予測の推定値を計算します。第2段階で、これらの計算値を使用して従属変数の線型回帰モデルを推定します。計算値は、誤差と相関がない変数に基づくため、2段階モデルの結果は最適となります。

時系列データによく見られる予測変数と誤差項間の相関を制御します。重み付け推定プロシージャーは、一連の重み変換を検定し、データに最も適合するものを示します。

一連の予測（独立）変数と、目標（従属）変数の特定のパーセンタイル（または分位。多くの場合は中央値）の間の関係をモデル化します。分位点回帰は、通常の最小二乗回帰と比べて、目標変数の分布について仮定を設けない、異常な観測値の影響を受けにくい傾向があるという2つの主要な利点があります。