Topcateg:9

XLSTAT - CCR kaufen
53.55

 

Gesamtsumme
inkl. 19 % USt

Anzahl

Preis in €

53,55

Download Preisliste

Das XLSTAT-CCR (Correlated Component Regression) Modul konzentriert sich auf die Regressionsanalyse (lineare Regression, logistische Regression, etc.), in denen eine große Zahl an korrelierten Prädiktoren vorkommen können. XLSTAT-CCR entwickelt zuverlässige Regressionsmodule mittels CCR Methoden. CCR Modelle können sogar mehr Prädiktoren als Fälle umfassen, eine Situation, die für klassische Regressionsmethoden nicht möglich ist.

XLSTAT - Base wird zur Verwendung von XLSTAT - CCR benötigt!

XLSTAT-CCR - Software zur Correlated Component Regression

XLSTATs Produktlinie wurde komplett überarbeitet, erfahren Sie hier mehr!

Dieses optionale Modul für XLSTAT konzentriert sich auf die Regressionsanalyse (lineare Regression, logistische Regression, etc.), in denen eine große Zahl an korrelierten Prädiktoren vorkommen können. Auf vielen Datensätzen hat die korrelierte Komponentenregression (CCR) bessere Ergebnisse als penalisierte Regressionstechniken wie Lasso und andere Methoden, wie der naive Bayes Ansatz und die PLS Regression gezeigt. XLSTAT-CCR (Correlated Component Regression) entwickelt zuverlässige Regressionsmodule mittels CCR Methoden. CCR Modelle können sogar mehr Prädiktoren als Fälle umfassen, eine Situation, die für klassische Regressionsmethoden nicht möglich ist. Dieses Modul ist nicht ohne eine XLSTAT-Base Lizenz nutzbar!


Benutzeroberfläche von XLSTAT-CCR

Benutzeroberfläche von XLSTAT-CCR

CCR wurde von Dr. Jay Magidson für das simultane Schätzen von Regressionsmodellen und den Ausschluss von nicht relevanten Prädiktoren entwickelt. Zuverlässige Modelle sind das Ergebnis dieses schnellen Algorithmus, der M-Block Kreuzvalidierung zur Bestimmung der Modellparameter einsetzt (optimale Anzahl der Prädiktoren und den Grad der Regulierung). Statistical Innovations, ein in Boston ansässiges Unternehmen, das in innovativen Anwendungen statistischer Modelle spezialisiert ist, wurde in 1981 von Dr. Jay Magidson gegründet. Statistical Innovations war das erste Unternehmen, das eine große Anzahl and statistischen und Data Mining Methoden auf den Markt brachte.


Mithilfe von XLSTAT - LG können Sie eine Vergleichsprüfung durchführen
Eine Vergleichsprüfung mit Step-Down Algorithmus
Eine Vergleichsprüfung mit Step-Down Algorithmus

Diagramm zur Vergleichsprüfung

Diagramm zur Vergleichsprüfung mit Step-Down Algorithmus

Diagramm zur Vergleichsprüfung mit Step-Down Algorithmus


Weitere Informationen

Systemvoraussetzungen für die Software XLSTAT

  Windows® Mac
Andere Voraussetzungen Microsoft Excel 2003, 2007, 2010, 2013, 2016
benötigt eine vorinstallierte XLSTAT-Lösung!
Microsoft Excel 2011
benötigt eine vorinstallierte XLSTAT-Lösung!
Betriebssystem Windows XP, Vista, 7, 8, 10 (32-/64-Bit) OS X
Min. CPU 800 MHz 800 MHz
Min. RAM 128 MB 128 MB
Festplattenplatz 150 MB 150 MB

Funktionen in XLSTAT - CCR

  • Lineare Regression (CCR.LM, PLS)
    Vorhersagemodelle für eine abhängige Y-Variable basierend auf linearer Regression.
  • Logistische Regression (CCR.Logistic) und Lineare Discriminant Analyse (CCR.LDA)
    Die logistische Regression ist der standard Regressions/Klassifizierungs Ansatz zur Vorhersage einer dichotomen abhängigen Variablen. Sowohl lineare und logistische Regression sind GLMs (Generalized Linear Models). Eine lineare Kombination der erklärenden Variablen (lineare Prädiktoren) wird verwendet, um eine Funktion der abhängigen Variablen anzupassen.
  • CCR.LM
    Das CCR.LM Verfahren wendet die Correlated Component Regression Techniken an, um eine regularisierte lineare Regression anzupassen. Diese Vorgehensweise wird in Fällen empfohlen, in denen erklärende Variablen moderate bis hohe Korrelationen aufweisen.
  • CCR.PLS
    Die PLS Methode wendet die Correlated Component Regression Techniken basierend auf PLS Regressionsmodell für eine kontinuierliche Y-Variable an.
  • CCR.LDA and CCR.Logistic
    Die CCR.LDA und die CCR.Logistic Methode wendet die Correlated Component Regression Techniken auf dichotome Y-Variablen an.
  • M-fold Cross-Validation
  • Automatic Mode für die M-fold Cross-Validation
  • Predictor Selection basierend auf einem CCR/Step-Down Algorithmus