SPSS Categories

Прогнозирование результатов и выявление взаимосвязей в категориальных данных

IBM SPSS Categories предоставляет все необходимые средства для получения ясной информации на основе сложных категориальных и числовых данных, а также многомерных данных.

С помощью модуля IBM SPSS Categories можно понять, какие характеристики потребители чаще всего связывают с вашим брендом или сравнить восприятие ваших продуктов с продуктами конкурентов.

• Выявление внутренних взаимосвязей с помощью карт восприятия, диаграмм biplot и triplot.
• Обработка и понимание номинальных данных (таких как зарплата) и порядковых данных (таких как уровень зарплаты) с помощью таких процедур, как условная регрессия, каноническая корреляция и корреляция главных компонентов, для прогнозирования результата и раскрытия взаимосвязей.
• Возможность визуальной интерпретации наборов данных и просмотра взаимосвязей строк и столбцов в больших таблицах очков, счетов, рейтингов, оценок или аналогичных величин
• Использование нестандартных остатков в числовых данных и нелинейных взаимосвязей между прогностическими переменными (такими как атрибуты клиента или продукта) и переменными результата (такими как покупка/отказ от покупки)
• Применение гребневой регрессии, лассо, эластичной сети, выбора переменных и выбора модели для числовых и категориальных данных
• Поддерживаемые операционные системы: Windows, Mac, Linux.

Узнайте об этом больше

• Подробности о продукте (US)

Приобретение SPSS Categories

РазвернутьСвернуть

• 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.