IBM SPSS Categories

Matykite sąryšius kategoriniuose duomenyse

  • Apžvalga
  • Duomenų analizė

Panaudokite visą savo duomenų potencialą naudodamiesi suvokimo žemėlapiais, optimaliu skaliavimu, pirmenybių skaliavimu, ir dimensijų sumažinimo algoritmais. IBM SPSS Categories (ankščiau SPSS Categories) suteikia visus įrankius, kurių reikia norint aiškiai matyti sąryšius daugiadimensiniuose ir kategoriniuose duomenyse. Pavyzdžiui IBM SPSS Categories galima naudoti norint suvokti, kokie žmonės labiausiai domisi Jūsų prekės ženklu ir kuo jis skiriasi nuo konkurentų.

Duomenų rinkinius galima ištirti vizualiai ir pamatyti, ryšius tarp stulpelių ir eilučių dideliuose matų, reitingų ir įverčių rinkiniuose. Tai leidžia:

  • Suprasti ir dirbti su vardinės skalės ir eilės skalės duomenimis naudojantis procedūromis panašiomis į įprastas regresijos, svarbiausių komponenčių ir koreliacijų procedūras.
  • Dirbti su nenormaliai pasiskirsčiusiais likučiais intervalų skalės duomenyse ar netiesiniais sąryšiais tarp priklausomų ir nepriklausomų kintamųjų. Tam galima panaudoti Ridge regresijos, Lasso ir Elastic Net procedūras.

Paverskite kokybinius kintamuosius kiekybiniais

IBM SPSS Categories procedūros leidžia atlikti statistines operacijas kategoriniams duomenims.

  • Naudokite IBM SPSS Categories optimalaus skaliavimo procedūras ir suteikite kategoriniams duomenims atskaitos tašką bei matus.
  • Atlikite atitikties ir dauginės atitikties analizes ir priskirkite skaitines reikšmes panašumui tarp vardinės skalės kintamųjų
  • Apibendrinkite duomenis pagal svarbiausias komponentes, naudodami svarbiausių komponenčių analizę

Grafiškai pateikite paslėptus sąryšius

IBM SPSS Categories dimensijų sumažinimo procedūros leidžia aiškiau matyti sąryšius tarp duomenų naudojantis suvokimo žemėlapiais ir dvejybinius grafikus:

  • Suvokimo žemėlapiai – tai didelės raiškos apibendrinančios diagramos, grafiškai pateikiančios panašius kintamuosius ar kategorijas. Jie suteikia išskirtinių žinių apie sąryšius tarp daugiau nei dviejų kategorinių kintamųjų.
  • Dvejybiniai grafikai leidžia pažvelgti į sąryšius tarp stebėjimų, kintamųjų ir kategorijų. Pavyzdžiui galima pažvelgti į sąryšius tarp produktų, klientų ir demografinių charakteristikų.

Pirmenybių skaliavimo galimybė leidžia dar aiškiau pateikti sąryšius tarp objektų. Naujasis algoritmas leidžia atlikti nemetrines analizes eilės skalės duomenims ir gauti reikšmingus rezultatus.

Plot in PASW Categories showing the results of a two-dimensional multiple correspondence analysis of a table.

Duomenys: 2x5x6 lentelė su informacija apie dvi lytis, penkias grupes ir šešis produktus. Grafikas pateikia dviejų dimensijų dauginės atitikties analizės rezultatus. Galima pastebėti, kad produktai “A” ir “B” yra pasirenkami jaunesnio amžiaus vyrų, o produktai “G” ir “C” yra priimtinesni vyresnio amžiaus žmonėms.

IBM SPSS Categories galima įsigyti anglų, japonų, prancūzų, vokiečių, italų, ispanų, kinų, korėjiečių ir rusų kalbomis



Daugiau apie į IBM SPSS Categories įtrauktas procedūras.


Kategorinių duomenų tyrimo procedūros

IBM SPSS Categories leidžia pasirinkti iš daugybės statistinių metodų skirtų daugiadimensių kategorinių duomenų analizei.

  • Kategorinė regresija (CATREG) prognozuoja vardinės, eilės ar intervalų skalės rezultatus iš kategorinių nepriklausomų kintamųjų rinkinio. Optimalaus skaliavimo procedūros naudojamos kintamiesiems įvertinti. Trys nauji reguliarizavimo metodai: „Ridge“ regresija, Lasso metodas ir Elastic Net. Šie metodai stabilizuoja parametrų įverčius ir leidžia gauti tikslesnius rezultatus. Automatinis kintamųjų parinkimas leidžia analizuoti didelius duomenų kiekius (didesnį kintamųjų skaičių, nei objektų skaičius).

  • Atitikties analizė (CORRESPONDENCE) leidžia analizuoti dvikryptes lenteles

  • Dauginė atitikties analizė (MULTIPLE CORRESPONDENCE) naudojama analizuojant daugiamačius duomenis. Ši analizė leidžia ieškoti sąryšių tarp daugiau nei dviejų kintamųjų.

  • Kategorinė pagrindinių komponenčių analizė (CATPCA) naudoja optimalų skaliavimą ir leidžia panaudoti pagrindinių komponenčių analizę skirtingų skalių duomenims. Procedūra panaši į dauginę atitikties analizę, tačiau leidžia nustatyti analizės lygius pagal kintamuosius.

  • Netiesinė kanoninė koreliacinė analizė (OVERALS) naudoja optimalaus skaliavimo analizę ir apibendrina kanoninę koreliacijų analizę bei leidžia naudoti skirtingų skalių duomenis. Šis analizės tipas leidžia palyginti kelis kintamųjų rinkinius viename grafike, pašalinus koreliacijas tarp rinkinių.

  • Daugiamatis skaliavimas (PROXSCAL) atlieka vienos ar kelių panašumo matricų skaliavimą. Taip pat galima apskaičiuoti atstumus tarp stebėjimų daugiadimensiniuose duomenyse.

  • Pirmenybių skaliavimas vizualiai tiria sąryšius tarp kintamųjų (pavyzdžiui vartotojų ir produktų).

Atsisiųsti daugiau informacijos