Pruebe la regresión con una versión de prueba completa de SPSS
IBM® SPSS Regression le permite predecir resultados categóricos, crear modelos de regresión, analizar resúmenes de modelos y aplicar diversos procedimientos de regresión no lineal a conjuntos de datos al estudiar hábitos de compra de los consumidores, respuestas a tratamientos, eficacia de medidas de diagnóstico, análisis de riesgo crediticio y otras situaciones en las que las técnicas ordinarias de regresión y análisis de datos resultan limitadas o inapropiadas.
Estudie los hábitos de compra de los consumidores. Optimice las estrategias de marketing y la satisfacción del cliente.
Analice las respuestas a las dosis para mejorar la calidad de la atención y lograr mejores resultados para los pacientes.
Evalúe los riesgos crediticios y los valores atípicos, y mejore las relaciones con los clientes a través de ofertas específicas.
Mida las pruebas de rendimiento académico y apoye la investigación institucional.
Examina el comportamiento del cliente para curar ofertas personalizadas.
Mejore los servicios y la seguridad ciudadana. Evalúe el cumplimiento del pago de impuestos, reduzca el fraude y mitigue las amenazas.
Prevea la presencia o ausencia de una característica o resultado binario con base en los valores de un conjunto de variables predictivas.
Utilice la función de enlace logit para modelar la dependencia de una respuesta ordinal politómica de un conjunto de predictores.
Clasifique sujetos en función de los valores de un conjunto de variables predictivas. Este tipo de regresión es como la regresión logística, pero es más general porque la variable dependiente no está restringida a dos categorías.
Encuentre un modelo no lineal de la relación entre la variable dependiente y un conjunto de variables independientes.
Utilice modelos de respuesta probit y logit para analizar la potencia de las respuestas a estímulos, como dosis de medicamentos, precios o incentivos. Este procedimiento mide la relación entre la fuerza de un estímulo y la proporción de casos que muestran una determinada respuesta al estímulo.
En la primera etapa, utilice variables instrumentales que no estén correlacionadas con los términos de error para calcular los valores estimados de uno de los predictores más problemáticos. En la segunda etapa, utilice esos valores calculados para estimar un modelo de regresión lineal de la variable dependiente.
Controle las correlaciones entre las variables predictivas y los términos de error que pueden ocurrir con datos basados en el tiempo. El procedimiento de estimación de peso prueba una variedad de transformaciones de peso e indica cuál es la idónea para los datos.
El nuevo procedimiento de extensión de red elástica lineal estima modelos de regresión lineal regularizados para una variable dependiente sobre una o más variables independientes.
La nueva extensión de Lasso lineal estima la pérdida de L1 en modelos de regresión lineal regularizados para una variable dependiente de una o más variables independientes.
El nuevo procedimiento de extensión lineal de Ridge estima L2 o modelos de regresión lineal regularizados de pérdida cuadrática para una variable dependiente en una o más variables independientes.
Notas de pie de página
* Las opiniones de los usuarios pueden haberse obtenido mediante un incentivo.