SPSS Data Preparation

Améliorez la préparation des données pour des résultats plus précis

IBM SPSS met à la disposition des analystes des techniques avancées qui leur permettent de rationaliser l'étape du processus analytique consacrée à la préparation des données.

Tous les chercheurs doivent préparer leurs données avant de les analyser. Alors qu'IBM SPSS Statistics Base inclut des outils de base à cet effet, IBM SPSS Data Preparation propose aussi des techniques spécialisées qui vous permettent de préparer vos données de façon à améliorer la précision des analyses et des résultats.

  • Identifiez rapidement les cas, variables et valeurs de données suspects ou non valides
  • Visualisez les schémas des données manquantes
  • Récapitulez les distributions de variables
  • Regroupez les données nominales de façon optimale
  • Préparez vos données avec plus de précision pour l'analyse
  • Utilisez la fonction ADP (Automated Data Preparation) pour détecter et corriger les défauts de qualité et pour imputer les valeurs manquantes efficacement et en une seule étape
  • Tirez parti des conseils et des affichages qui vous aident à déterminer quelles données utiliser
  • Systèmes d'exploitation pris en charge : Windows, Mac, Linux.

En savoir plus

Logiciels IBM
Découvrez comment les logiciels intelligents répondent à vos besoins.

Acheter SPSS Data Preparation

La 1ère année d'IBM Software Subscription and Support est inclus dans le prix d'achat.

Téléchargement en ligne du logiciel après achat - pas de frais de transport.

En savoir plusFermer


Click image for full-sized versionExpand your Data Preparation Techniques with IBM SPSS Data Preparation

Use the specialized data preparation techniques in IBM SPSS Data Preparation to facilitate data preparation in the analytical process. IBM SPSS Data Preparation easily plugs into IBM SPSS Statistics Base so you can seamlessly work in the IBM SPSS environment.

Perform Data Checks
Data validation has typically been a manual process. You might run a frequency on your data, print the frequencies, circle what needs to be fixed and check for case IDs. This approach is time consuming and prone to errors. And since every analyst in your organization could use a slightly different method, maintaining consistency from project to project may be a challenge.

To eliminate manual checks, use the IBM SPSS Data Preparation Validate Data procedure. This enables you to apply rules to perform data checks based on each variable's measure level (whether categorical or continuous).

For example, if you're analyzing data that has variables on a five-point Likert scale, use the Validate Data procedure to apply a rule for five-point scales and flag all cases that have values outside of the 1-5 range. You can receive reports of invalid cases as well as summaries of rule violations and the number of cases affected. You can specify validation rules for individual variables (such as range checks) and cross-variable checks (for example, "retired 30 year-olds").

With this knowledge you can determine data validity and remove or correct suspicious cases at your discretion before analysis.

Quickly Find Multivariate Outliers
Prevent outliers from skewing analyses when you use the IBM SPSS Data Preparation Anomaly Detection procedure. This searches for unusual cases based upon deviations from similar cases, and gives reasons for such deviations. You can flag outliers by creating a new variable. Once you have identified unusual cases, you can further examine them and determine if they should be included in your analyses.

Pre-process Data before Model Building
In order to use algorithms that are designed for nominal attributes (such as Naïve Bayes and logit models), you must bin your scale variables before model building. If scale variables aren't binned, algorithms such as multinomial logistic regression will take an extremely long time to process or they might not converge. This is especially true if you have a large dataset. In addition, the results you receive may be difficult to read or interpret.

IBM SPSS Data Preparation Optimal Binning, however, enables you to determine cutpoints to help you reach the best possible outcome for algorithms designed for nominal attributes.
With this procedure, you can select from three types of binning for pre-processing data:

  • Unsupervised -- create bins with equal counts

  • Supervised -- take the target variable into account to determine cutpoints. This method is more accurate than unsupervised; however, it is also more computationally intensive.

  • Hybrid approach -- combines the unsupervised and supervised approaches. This method is particularly useful if you have a large number of distinct values.

We recommend complementing the features of IBM SPSS Data Preparation with those found in IBM SPSS Statistics Base.

Popular downloads

Vous êtes intéressé par le produit présenté sur cette page ? Contactez un conseiller IBM.

Contactez-nous

Vous êtes intéressé par le produit présenté sur cette page ? Contactez un conseiller IBM.

  • ou appelez-nous au (coût d'un appel local) +33 (0)158 755 454
    Code prioritaire : 101KR29W

SPSS Data Preparation

Logiciels IBM