Польза для вашего бизнеса

Решение IBM® SPSS® Categories позволяет визуализировать и изучить взаимосвязи между данными, а затем спрогнозировать результаты. Оно использует методы категориальной регрессии для прогнозирования значений номинальной, порядковой или числовой переменной результата на основе комбинации числовых и упорядоченных или неупорядоченных категориальных переменных предиктора. В программном продукте применяются такие современные технологии, как прогнозный анализ, статистическое обучение, составление карт восприятия и применение шкалы предпочтений.

Этот модуль входит в издание SPSS Statistics Professional для локальных сред и в дополнительный модуль «Complex sampling and testing» для тарифа по подписке.

Полезные сведения

Анализ различий между категориями

Анализ соответствий упрощает просмотр и анализ различий между категориями.

Добавление вспомогательной информации

Дополнительные переменные позволяют добавлять вспомогательную информацию.

Выявление ассоциаций и взаимосвязей

С помощью симметричной нормализации можно построить диаграмму типа biplot, яснее отражающую ассоциации.

Удобная работа с категориальными данными

С помощью специальных инструментов можно легко анализировать и более полно интерпретировать многомерные данные и взаимосвязи между ними. Например, можно понять, какие характеристики потребители в первую очередь связывают с вашим продуктом или брендом, или узнать, как они воспринимают ваши продукты на фоне всех остальных.

Применение процедур категориальной регрессии

Обеспечивает прогнозирование значений номинальной, порядковой или числовой переменной результата на основе комбинации числовых и упорядоченных или неупорядоченных категориальных переменных предиктора. Используя регрессию с оптимальным шкалированием, можно описать, к примеру, как спрогнозировать степень удовлетворенности работой в зависимости от характера работы, географического региона и количества рабочих командировок.

Преимущества оптимального шкалирования

Обеспечивает такое количественное определение переменных, чтобы добиться максимального коэффициента множественной корреляции. Оптимальное шкалирование может применяться к числовым переменным, если остатки не имеют нормального распределения, либо переменные предиктора не связаны с переменной результата линейным образом. Методы регуляризации, такие как ридж-регрессия, алгоритм Lasso и метод эластичной сети, позволяют повысить точность прогнозирования за счет стабилизации оценки параметров.

Ясное представление результатов в виде карт восприятия

Процедуры понижения размерности позволяют выявить взаимосвязи между данными. Сводные диаграммы отражают аналогичные переменные или категории, позволяя изучить взаимосвязи между тремя и более переменными.

Включен ряд технологий оптимального шкалирования и понижения размерности

Включены такие технологии, как анализ соответствий (CORRESPONDENCE), категориальная регрессия (CATREG), множественный анализ соответствий (MULTIPLE CORRESPONDENCE), CATPCA, нелинейная каноническая корреляция (OVERALS), шкалирование по степени близости (PROXSCAL) и шкалирование по предпочтениям (PREFSCAL).

Изображения продукта

Техническая информация

Требования к программному обеспечению

  • Для локальных сред: приобретите издание Professional
  • Для тарифов по подписке: приобретите дополнительный модуль «Complex sampling and testing»

Требования к аппаратному обеспечению

  • Процессор: тактовая частота не менее 2 ГГц
  • Монитор: разрешение не менее 1024x768
  • Память: требуется 4 ГБ, рекомендуется 8 ГБ и более
  • Свободное место на диске: не менее 2 ГБ

Запланируйте консультацию о том, как SPSS Categories может помочь решить задачи вашей организации.

Запланируйте консультацию о том, как SPSS Categories может помочь решить задачи вашей организации. Заказать консультацию

Next Steps

Попробуйте SPSS Statistics бесплатно

Купите сейчас и начните работу