IBM SPSS Categoriesを使用すると、データ内の関係を視覚化して調査でき、統計分析に基づいて結果を予測するのに役立ちます。分類回帰手法を使用して、数値と順序付きまたは順不同の分類予測子変数の組み合わせから公称、順序または数値の結果変数の値を予測します。このソフトウェアは、予測分析、統計学習、知覚マッピング、優先スケーリングなどの統計プロシージャ―を備えています。
このモジュールは、従来型ライセンス利用のIBM SPSS Statistics Professionalエディションと、サブスクリプション・プランのIBM SPSS Complex Sampling and Testingアドオンの一部として含まれています。
SPSS Categoriesを使用して対応分析を実行すると、カテゴリ間の差異を簡単に視覚化して分析できます。
追加の変数のカスタム属性を定義することで補足情報を組み込みます。これにより、標準ラベル、測定値、または欠損値では捉えきれない追加の文脈情報またはメタデータを追加できます。これらの属性には、説明的な注釈、測定単位、コーディング体系などの追加情報が保存できるため、データ分析における文脈をさらに提供できます。
対称正規化を使用してバイプロットを作成すると、関連がわかりやすくなります。
詳細なデータ分析を通じて、多変量データとその関係をより効果的に分析および解釈します。たとえば、データセット内のどの消費者特性が自社製品またはブランドに最も密接に関連しているかを理解したり、自社製品に対する顧客の認識を自社または競合他社の製品と比較したりできます。
数値と順序付きまたは順不同の分類予測子変数の組み合わせから公称、順序の、または数値の結果変数の値を予測します。最良のスケーリングでの回帰を使用して、たとえば、ジョブ・カテゴリー、地理的領域、作業関連の移動量からジョブ満足度をどのように予測できるかを説明します。
倍数Rが最大になるように変数を定量化します。最良のスケーリングは、残余が非公称のとき、または予測変数が結果変数と直線的に関係しないときに数値変数に適用できます。リッジ回帰、ラッソ、エラスティックネットなどの正則化メソッドは、パラメーター推定値を安定させることで予測精度を向上させることができます。
ディメンション縮小手法を使用して、データ内の関係を確認します。サマリー・チャートには類似の変数またはカテゴリーが表示され、2個を超える変数間の関係についての洞察が得られます。
手法には、対応分析（CORRESPONDENCE）、分類回帰（CATREG）、多重対応分析（MULTIPLE CORRESPONDENCE）、CATPCA、非線形正準相関（OVERALS）、近接スケーリング（PROXSCAL）、優先スケーリング（PREFSCAL）などがあります。