IBM® SPSS® Regression을 사용하면 범주형 결과를 예측하고 다양한 비선형 회귀 프로시저를 적용할 수 있습니다. 일반적인 회귀 기법이 제한되거나 적합하지 않은 비즈니스와 분석 프로젝트에 이러한 프로시저를 사용할 수 있습니다. 이러한 분야에는 소비자 구매 습관 연구, 치료에 대한 반응 또는 신용 위험 분석이 포함됩니다. 이 솔루션은 분석 프로세스의 데이터 분석 단계에 대한 SPSS Statistics의 기능을 확장하는 데 도움이 됩니다.
이 모듈은 SPSS Standard, Professional 및 Premium 패키지에 포함되어 있습니다.
자동 갱신으로 12개월 선택 시 구독 및 추가 기능 10% 할인
솔루션 개요 읽기
예측 변수 집합의 값을 기반으로 어떠한 특성의 존재 여부 또는 이진 결과를 예측합니다. 선형 회귀 모형과 유사하지만, 종속 변수가 이분법적이며 이항 분포를 따르는 것으로 가정하는 모형에 적합합니다. 추정된 계수는 모델 내 각각의 독립 변수에 대한 승산비를 추정하는 데 사용될 수 있습니다.
예측 변수 집합에 대한 다항 순서형 반응의 의존성을 모델로 구성하기 위해 로짓 연결 함수를 사용합니다. 로짓 모델에서 결과의 로그 확률은 예측 변수의 선형 조합으로 모델링됩니다.
예측 변수 집합의 값을 기준으로 대상을 분류합니다. 이러한 유형의 회귀분석은 로지스틱 회귀분석과 유사하지만, 종속 변수가 두 가지 범주로 제한되지 않기 때문에 더 일반적입니다.
종속 변수와 독립 변수 집합 간 관계에 대한 비선형 모델을 찾습니다. 비선형 회귀분석은 선형 모델 추정으로 제한되는 기존의 선형 회귀분석과는 달리 독립 변수와 종속 변수 간 임의적인 관계를 갖는 모델을 추정할 수 있습니다. 이는 반복 추정 알고리즘을 사용하여 수행됩니다.
프로빗 및 로짓 반응 모델링을 사용하여 약물 용량, 가격 또는 인센티브와 같은 자극에 대한 반응의 효능을 분석합니다. 이 프로시저는 자극의 강도와 자극에 대한 특정 반응을 나타내는 사례의 비율 간의 관계를 측정합니다. 일부 독립 변수의 수준에 의해 영향을 받거나 발생하는 것으로 생각되는 이분법적 출력이 있는 경우 유용하며, 특히 실험 데이터에 적합합니다.
첫 번째 단계에서는 문제가 있는 예측 변수의 추정값을 계산하기 위해 오차 항과 상관 관계가 없는 도구 변수를 사용합니다. 두 번째 단계에서는 계산된 값을 사용하여 종속 변수의 선형 회귀분석 모델을 추정합니다. 계산된 값은 오차와 상관 관계가 없는 변수를 기반으로 하기 때문에 2단계 모델의 결과는 최적입니다.
시간 기반 데이터에서 발생 가능한 예측 변수와 오차항 간의 상관 관계를 제어합니다. 가중치 추정 프로시저는 다양한 가중치 변환을 테스트하고, 데이터에 가장 적합한 가중치를 표시합니다.
대부분 중앙값으로 나타나는 예측(독립) 변수 집합과 대상(종속) 변수의 특정 백분위수(또는 "분위수") 간의 관계를 모델링합니다. 분위수 회귀분석은 보통 최소 제곱 회귀분석에 비해 두 가지 주요 이점이 있습니다. 대상 변수의 분포에 대한 가정을 하지 않으며, 외부 관측값의 영향을 받지 않는 경향이 있습니다.