IBM® SPSS® Categories le permite visualizar y explorar las relaciones en sus datos y predecir los resultados en función de sus hallazgos. Utiliza procedimientos de regresión categórica para predecir los valores de una variable de resultado nominal, ordinal o numérica a partir de una combinación de variables predictoras categóricas numéricas y ordenadas o sin ordenar. El software presenta técnicas avanzadas, como análisis predictivo, aprendizaje estadístico, mapeado perceptual y escalado de preferencias.
Este módulo está incluido en la edición SPSS Statistics Professional para planes locales, y en el complemento “Muestreo y pruebas complejas” para planes de suscripción.
Ahorre un 10 % en una suscripción y complementos al elegir 12 meses con renovación automática.
Utilizar el análisis de correspondencias para visualizar y analizar con mayor facilidad las diferencias entre categorías.
Incorporar información complementaria sobre variables adicionales.
Utilizar la normalización simétrica para producir un biplot y poder ver mejor las asociaciones.
Aproveche los beneficios de las herramientas que le ayudarán a analizar e interpretar sus datos multivariantes y sus relaciones de forma más completa. Por ejemplo, conozca qué características se relacionan de forma más estrecha con los consumidores en términos de su producto o marca, o determine la percepción del cliente de sus productos en comparación con otros productos que ofrecen usted o su competencia.
Haga una predicción de los valores de una variable de resultado nominal, ordinal o numérica a partir de una combinación de variables predictoras categóricas numéricas y ordenadas o desordenadas. Utilice la regresión con una escala óptima para describir, por ejemplo, cómo se puede predecir la satisfacción laboral desde la categoría laboral, la región geográfica y la cantidad de traslados relacionados con el trabajo.
Cuantifique las variables para maximizar el múltiplo R. El escalado óptimo se puede aplicar a variables numéricas cuando los residuos no son normales o cuando las variables predictoras no están linealmente relacionadas con la variable de resultado. Los métodos de regularización, como la regresión de cresta, la regresión linear de Lasso y la red elástica, pueden mejorar la precisión de la predicción al estabilizar las estimaciones de parámetros.
Utilice técnicas de reducción de dimensiones para ver las relaciones en los datos. Los gráficos de resumen muestran variables o categorías similares para proporcionarle información sobre las relaciones entre más de dos variables.
Las técnicas incluyen análisis de correspondencias (CORRESPONDENCE), regresión categórica (CATREG), análisis de correspondencia múltiple (MULTIPLE CORRESPONDENCE), CATPCA, correlación canónica no lineal (OVERALS), escala de proximidad (PROXSCAL) y escala de preferencias (PREFSCAL).
- Para planes locales: compre la edición profesional
- Para los planes de suscripción: compre el complemento "Muestreo complejo y pruebas"
- Procesador: 2 GHz o más rápido
- Pantalla: 1024x768 o superior
- Memoria: se requieren 4 GB de RAM, se recomiendan 8 GB de RAM o más
- Espacio en disco: 2 GB o más