SPSS Categories

Prédisez les résultats et révélez les relations entre données catégorielles

Avec IBM SPSS Categories, vous disposez de tous les outils nécessaires pour dégager des perspectives claires à partir de données catégorielles et numériques complexes ainsi que de données de grandes dimensions.

Utilisez IBM SPSS Categories pour déterminer quelles caractéristiques les consommateurs associent le plus volontiers à votre marque ou comment ils perçoivent vos produits par rapport aux autres produits que vous-même ou vos concurrents proposez.

• Découvrez les relations sous-jacentes avec des cartes perceptuelles, des diagrammes de double projection et des diagrammes de triple projection
• Manipulez et comprenez les données nominales (ex. pays) et les données ordinales (ex. : niveau d'instruction) avec des procédures telles que la régression classique, les principales composantes ou la corrélation canonique pour prédire les résultats et révéler les relations
• Interprétez visuellement les ensembles de données et découvrez les relations entre lignes et colonnes dans de grands tableaux faisant apparaître les scores, dénombrements, notations, classements ou similarités
• Traitez les résidus non normaux dans les données numériques ou dans les relations non linéaires entre variables explicatives (ex. : attributs du client ou du produit) et variables de résultats (ex. : achat / non-achat)
• Utilisez la régression bornée (ou pseudo-orthogonale), les méthodes du Lasso et de l'Elastic Net, la sélection de variables et la sélection de modèles aussi bien pour les données numériques que pour les données catégorielles
• Systèmes d'exploitation pris en charge : Windows, Mac, Linux.

En savoir plus

• Plus d'informations sur le produit (US)

Acheter SPSS Categories

En savoir plusFermer

• Perceptual maps are high-resolution summary charts that graphically display similar variables or categories close to each other. They provide you with unique insight into relationships between more than two categorical variables.

• Biplots and triplots enable you to look at the relationships among cases, variables and categories. For example, you can define relationships between products, customers and demographic characteristics.

• Use optimal scaling procedures to assign units of measurement and zero-points to your categorical data

• Choose from state-of-the art procedures for model selection and regularization

• Perform correspondence and multiple correspondence analyses to numerically evaluate similarities between two or more nominal variables in your dataset

• Summarize your data according to important components by using principal components analysis

• Quantify your ordinal and nominal variables with an optimal scaling correlation matrix

• Use nonlinear canonical correlation analysis to incorporate and analyze variables of different measurement levels

• Categorical regression that predicts the values of a nominal, ordinal or numerical outcome variable from a combination of categorical predictor variables. Optimal scaling techniques are used to quantify variables. Three regularization methods: Ridge regression, the Lasso and the Elastic Net, improve prediction accuracy by stabilizing the parameter estimates.

• Correspondence analysis that enables you to analyze two-way tables that contain some measurement of correspondence between rows and columns, as well as display rows and columns as points in a map.

• Multiple correspondence analysis which is used to analyze multivariate categorical data by allowing the use of more than two variables in your analysis. With this procedure, all the variables are analyzed at the nominal level (unordered categories).

• Categorical principal components analysis uses optimal scaling to generalize the principal components analysis procedure so that it can accommodate variables of mixed measurement levels.

• Nonlinear canonical correlation analysis uses optimal scaling to generalize the canonical correlation analysis procedure so that it can accommodate variables of mixed measurement levels. This type of analysis enables you to compare multiple sets of variables to one another in the same graph, after removing the correlation within sets.

• Multidimensional scaling performs multidimensional scaling of one or more matrices with similarities or dissimilarities (proximities).

• Preference scaling visually examines relationships between two sets of objects, for example, consumers and products. Preference scaling performs multidimensional unfolding in order to find a map that represents the relationships between these two sets of objects as distances between two sets of points.