|
SPSS для Windows
Аналитический процесс
Планирование исследований
Сбор данных
Доступ к данным и подготовка данных
Статистические методы анализа данных:
Описание данных
Прогнозирование числовых результатов
Использование сегментации и классификации для выделения групп
Сегментация/снижение размерности
Классификация
Повышение качества прогнозов
Представление результатов
Распространение результатов
Системные требования
|
|
Прогнозирование числовых результатов
В ряде случаев прогнозируемые результаты являются числовыми. Например, можно предсказывать доход от клиента за определенный промежуток времени, оценки за тест или продолжительность пребывания пациента в больнице. Вам могут быть интересны ответы на такие вопросы, как "Насколько хороший прогноз можно получить, используя данный набор предикторов (предсказывающих показателей)?" или "Какие предикторы лучше всего прогнозируют данный показатель?". В SPSS имеется целый ряд процедур от линейной регрессии до нелинейных методов анализа, позволяющих получить ответы на эти, а также на многие другие вопросы.
Корректный анализ данных с иерархической структурой
Вы анализируете данные с высокой корреляцией и непостоянным разбросом, например, данные о студентах в учебных группах или данные о потребителях в домохозяйствах? Процедура Линейные смешанные модели (в SPSS Advanced Models) позволяет корректно оценивать средние значения, дисперсии и ковариации по данным с такой иерархической (вложенной) структурой. Например, можно оценить, каким образом различные методики обучения влияют на оценки студентов в разных учебных группах. Гибкость процедуры означает, что Вы можете выбирать из большого количества моделей, включая расщепленные планы, многоуровневые модели, планы со случайными полными блоками и модели со случайными коэффициентами. Получаемые модели будут более точными, поскольку процедура Линейные смешанные модели учитывает иерархическую структуру данных.
Процедура Линейные смешанные модели может также применяться при работе с повторными измерениями, включая ситуации, когда разные наблюдения имеют разное количество повторных измерений и/или различные интервалы измерений. При обращении к стандартным процедурам, неполные данные приходится исключать из анализа, тогда как Линейные смешанные модели позволяют использовать все данные для получения более точной картины.
Связанные зависимые переменные
Нужна ли Вам гибкая процедура, которая позволяет проводить анализ с несколькими связанными зависимыми переменными одновременно? Процедура Многомерная общая линейная модель (ОЛМ-многомерная в SPSS Base) позволяет конструировать модели и устанавливать контрасты для оценивания средних значений и дисперсий, а также для проверки и предсказания средних. Например, финансовая компания может прогнозировать остатки на счетах для различных типов счетов. Для построения моделей можно также использовать комбинации категориальных и количественных предикторов. Тот факт, что процедура ОЛМ-многомерная не ограничивается переменными-предикторами одного типа, открывает широкие возможности для построения моделей.
Производитель, анализирующий объемы сделок по видам продукции и категориям покупателей, может исследовать два вида эффектов с использованием процедуры ОЛМ-многомерная:
- Главные эффекты: различаются ли, в среднем, по объему сделок покупатели из государственного сектора и покупатели из коммерческого сектора, независимо от того, какой из товаров покупается — А или B?
- Взаимодействие: зависят ли различия в объемах сделок по товарам А и B от категории покупателя? Например, объемы сделок для коммерческого сектора могут быть больше для товара А, чем для товара В, а для государственного сектора — больше для товара В, чем для товара А.
Исследование одних и тех же людей через определеные промежутки времени
У Вас есть необходимость исследовать одних и тех же людей через некоторые промежутки времени, например, выяснять, улучшается или ухудшается по их оценкам качество медицинского обслуживания? Используя процедуру ОЛМ-повторные измерения (Общая линейная модель — повторные измерения) в SPSS Advanced Models, можно анализировать одни и те же объекты, измеренные несколько раз. При этом можно использовать комбинации категориальных и непрерывных предикторов, в том числе и во взаимодействиях.
С использованием процедуры ОЛМ-повторные измерения можно исследовать три вида эффектов. Например, в лечебном учреждении могут исследоваться следующие взаимосвязи:
- Между объектами: различаются ли оценки качества медицинского обслуживания для различных подразделений медицинского учреждения?
- Внутри объектов: объектов: улучшаются или ухудшаются оценки качества медицинского обслуживания с течением времени?
- Взаимодействие: с разной ли скоростью улучшаются (или ухудшаются) оценки качества медицинского обслуживания для различных подразделений медицинского учреждения?
Оценивание нелинейных уравнений
Приходится ли Вам сталкиваться с моделями, связи в которых носят нелинейный характер? Примером такой модели является модель предсказания возмещения по облигациям как функции времени и количества распространенных облигаций. Параметры нелинейных уравнений можно оценивать при помощи двух процедур: Нелинейной регрессии в случае отсутствия ограничений и Нелинейной регрессии с ограничениями (в SPSS Regression Models). Нелинейная регрессия в случае отсутствия ограничений позволяет оценивать параметры моделей с нелинейными связями между зависимой и независимыми переменными с использованием итерационных алгоритмов оценивания.
Нелинейная регрессия с ограничениями позволяет:
- Использовать линейные и нелинейные ограничения на любые комбинации параметров
- Оценивать параметры путем минимизации любой гладкой функции потерь (целевой функции)
- Рассчитывать бутстреп-оценки для стандартных ошибок параметров и корреляций
Построение моделей с неявными переменными
Используете ли Вы модели данных, включающие важные неявные (латентные) переменные, такие как удовлетворенность? Модели, построенные в Amos™, программном продукте SPSS для моделирования на основе структурных уравнений, более точно отражают содержащиеся в данных зависимости, поскольку для предсказания можно использовать как наблюдаемые, так и неявные (латентные) переменные. Amos также позволяет одновременно анализировать несколько групп данных из нескольких генеральных совокупностей.
При помощи Amos можно улучшить качество оценок за счет комбинирования нескольких показателей в один обобщенный. Использование нескольких показателей дает возможность лучше понять обобщенные неявные факторы. Например, могут исследоваться взаимосвязи между факторами (такими как быстрота доставки и уровень сервисного обслуживания), влияющими на удовлетворенность покупателей.
Используя Amos, можно быстро проверить, как переменные влияют друг на друга, и понять, почему они ведут себя именно так. Моделирование выполняется в Amos легко, благодаря удобному графическому интерфейсу. В отличие от традиционных программных продуктов для моделирования на основе структурных уравнений, в Amos модели, описывающие зависимости, обнаруженные в данных, строятся графически.
Другие процедуры прогнозирования числовых результатов
Для прогнозирования числовых переменных можно также использовать такие процедуры как:
- Линейная регрессия — исследование взаимосвязей между предикторами и прогнозируемой переменной. Например, прогнозирование продаж на основе данных о ценах и доходе покупателей.
Линейная регрессия доступна в SPSS Base
- Регрессия на основе взвешенного метода наименьших квадратов — используется, когда дисперсия независимой переменной в генеральной совокупности непостоянна.
Регрессия на основе взвешенного метода наименьших квадратов доступна в SPSS Regression Models
- Двухэтапный метод наименьших квадратов — применяется, когда предиктор и прогнозируемая переменная оказывают взаимное влияние друг на друга.
Двухэтапный метод наименьших квадратов доступен в SPSS Regression Models
- Анализ выживаемости — оценка распределения временных интервалов между двумя событиями, например, временных интервалов от момента привлечения клиента до момента ухода клиента к конкурентам, даже если второе событие не регистрируется (например, клиенты остаются лояльными).
Анализ выживаемости доступен в SPSS Advanced Models
– Регрессия Кокса с ковариатами, зависящими от времени
– Процедура Каплана-Мейера
– Таблицы дожития
Процедуры доступны в SPSS Advanced Models
|
