IBM SPSS Regression ermöglicht Ihnen die Vorhersage kategoriebezogener Ergebnisse und die Anwendung einer breiten Palette von nicht linearen Regressionsprozeduren.
Effektiv, wo sich herkömmliche Regressionsverfahren als einschränkend oder als ungeeignet erweisen: zum Beispiel bei der Untersuchung von Kundenkaufgewohnheiten oder der Effizienz von Behandlungen, der Messung akademischer Erfolge oder der Analyse von Kreditrisiken.
Dies könnte Sie auch interessieren
Stata SE
SPSS Statistics - Professional
Systat
IBM SPSS Statistics - Regression
Genauere Prognosen durch innovative Regressionsprozeduren
Die IBM SPSS Regression-Software ermöglicht Ihnen die Vorhersage von kategorialen Ergebnissen und die Anwendung verschiedener nicht linearer Regressionsprozeduren. Sie können die Prozeduren auf Geschäfts- und Analyseprojekte anwenden, bei denen gewöhnliche Regressionsverfahren sich als einschränkend oder ungeeignet erweisen, z. B. bei der Untersuchung des Kaufverhaltens von Verbrauchern, bei der Reaktion auf Behandlungen oder bei der Analyse des Kreditrisikos.
Mit der SPSS Regression-Software lassen sich die Funktionen von IBM SPSS Statistics Base für die Datenanalysestufe im Analyseprozess erweitern.
- Prognose kategorialer Ergebnisse mit mehr als zwei Kategorien unter Einsatz der multinomialen logistischen Regression (MLR)
- Einfache Klassifikation Ihrer Daten in Gruppen unter Einsatz der binären logistischen Regression
- Schätzung der Parameter von nicht linearen Modellen mithilfe der nicht linearen Regression (NLR) und der eingeschränkten nicht linearen Regression (CNLR).
- Erfüllung der statistischen Voraussetzungen mithilfe der gewichteten Methode der kleinsten Quadrate und der zweistufigen Methode der kleinsten Quadrate
- Beurteilung des Nutzens von Stimuli mithilfe der Probit-Analyse
Desktop-Systeme
Windows® | Mac® OS X | Linux® | ||
Andere Voraussetzungen | DVD-Laufwerk Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung Für die Verbindung mit dem SPSS Statistics Base Server, ein Netzwerk Adapter für das TCP/IP Netzwerk Protokoll Internet Explorer 7, 8,9 oder 10 |
DVD-Laufwerk Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung Webbrowser: Mozilla® Firefox® 20, 21 |
DVD-Laufwerk Super VGA-Monitor (800x600) oder Monitor mit höherer Auflösung Webbrowser: Mozilla® Firefox® 20, 21 |
|
Betriebssystem | Windows XP, Vista, 7, 8, 10 (32-/64-Bit) | Mac OS X 10.7 (32-/64-Bit), Mac OS X 10.8 (nur 64-Bit!) | Debian 6.0 x86-64, Red Hat Enterprise Linux (RHEL) 5 Desktop Editions, Red Hat Enterprise Linux (RHEL) Client 6 x86-64:
|
|
Minimum CPU | Intel®- oder AMD-x86-Prozessor mit 1 GHz oder mehr | Intel-Prozessor (32- und 64-Bit) | Intel®- oder AMD-x86-Prozessor mit 1 GHz oder mehr | |
Min. RAM | 1 GB RAM oder mehr empfohlen | 1 GB RAM oder mehr empfohlen | 1 GB RAM oder mehr empfohlen | |
Festplattenplatz | Minimum 800 MB freier Speicherplatz auf der Festplatte | Minimum 800 MB freier Speicherplatz auf der Festplatte | Minimum 800 MB freier Speicherplatz auf der Festplatte |
Server-Systeme
SPSS Statistics Server | |
Andere Voraussetzungen | Für Windows-, Solaris-Computer: Netzwerkadapter mit TCP/IP-Netzwerkprotokoll Für System z-Computer: OSA-Express3 10 Gigabit Ethernet, OSA-Express3 Gigabit Ethernet, OSA-Express3 1000BASE-T Ethernet |
Betriebssystem | Windows Server 2008 oder 2012 (64-Bit), Red Hat® Enterprise Linux 5 (auf diversen Rechnerarchitekturen; 64-Bit), SUSE Linux Enterprise Server 10 und 11 (auf diversen Rechnerarchitekturen; 64-Bit) Details entnehmen Sie bitte der Übersicht System Requirements SPSS Statistics Server 22 |
Minimum CPU | |
Min. RAM | 4 GB RAM oder mehr werden empfohlen |
Festplattenplatz | ca. 1 GB für die Installation. Temporär wird die doppelte Menge Speicherplatz benötigt. |
Prognose kategorialer Ergebnisse
- Mithilfe von MLR ist die Regression einer kategorialen abhängigen Variable mit mehr als zwei Kategorien auf Basis verschiedener unabhängiger Variablen möglich. Damit können Sie die Gruppenzugehörigkeit innerhalb von Schlüsselgruppen präzise vorhersagen.
- Nutzen Sie schrittweise ausführbare Funktionalität, z. B. Forward Entry, Backward Elimination, Forward Stepwise oder Backward Stepwise, um den besten Prädiktor zu finden.
- Für eine große Zahl von Prädiktoren können Sie Score- und Wald-Methoden nutzen, um in kürzester Zeit zu Ergebnissen zu kommen.
- Beurteilen Sie die Eignung Ihres Modells mithilfe des Akaike-Informationskriteriums (AIC) und des Bayes-Informationskriteriums (BIC).
Einfache Klassifikation Ihrer Daten
- Mithilfe der binären logistischen Regression können Sie Modelle erstellen, in denen die abhängige Variable dichotom ist, z. B. kaufen vs. nicht kaufen, zahlen vs. Verzug, graduieren vs. nicht graduieren.
- Prognostizieren Sie die Wahrscheinlichkeit von Ereignissen, z. B. Reaktionen auf die Antworteinholung oder Programmteilnahme.
- Wählen Sie Variablen mithilfe von sechs Arten schrittweise ausführbarer Methoden aus. Dazu zählen die Vorwärts- bzw. Forward-Methode (Auswahl der stärksten Variablen, bis es keine signifikanten Prädiktoren im Dataset mehr gibt) und die Rückwärts- bzw. Backward-Methode (bei jedem Schritt Entfernung des am wenigsten signifikanten Prädiktors im Dataset).
- Legen Sie Einschluss- oder Ausschlusskriterien fest.
Schätzung der Parameter von nicht linearen Modellen
- Schätzen Sie nicht lineare Gleichungen mithilfe von NLR für nicht eingeschränkte Probleme und CNLR sowohl für eingeschränkte als auch nicht eingeschränkte Probleme.
- Bei NLR werden Modelle mit beliebigen Beziehungen zwischen unabhängigen und abhängigen Variablen mithilfe von iterativen Schätzalgorithmen geschätzt.
- Bei CNLR werden lineare und nicht lineare Nebenbedingungen für beliebige Parameterkombinationen verwendet.
- Schätzen Sie Parameter durch die Minimierung von glatten Verlustfunktionen (objektive Funktion) und berechnen Sie Bootstrap-Schätzungen von Parameter-Standardfehlern und -Korrelationen.
Erfüllung der statistischen Voraussetzungen
- Wenn die Verteilung von Restgrößen nicht konstant ist, dann nutzen Sie die gewichtete Methode der kleinsten Quadrate, um das Modell zu schätzen. Bei der Vorhersage von Börsenwerten fluktuieren beispielsweise die Aktien mit höheren Anteilswerten mehr als diejenigen mit niedrigeren Anteilswerten.
- Nutzen Sie die zweistufige Methode der kleinsten Quadrate zur Schätzung der abhängigen Variable, wenn die unabhängigen Variablen mit Regressionsfehlerbedingungen korreliert sind. Dadurch können Sie auf Korrelationen zwischen Prädiktorvariablen und Fehlerbedingungen prüfen.
Beurteilung des Nutzens von Stimuli
- Nutzen Sie die Probit-Analyse, um die Auswirkungen von einer oder mehreren Variablen auf eine kategoriale abhängige Variable zu schätzen.
- Bewerten Sie den Nutzen von Stimuli mithilfe einer Logit- oder Probit-Konvertierung des reagierenden Anteils.