Modulet që mund të shtoni në SPSS

IBM SPSS Statistics vjen në formën e një sistemi bazë, por ju mund të blini module shtesë për t'i shtuar atij sistemi. SPSS është i disponueshëm në botime të ndryshme licencimi : botimet e kampusit, planet e abonimit dhe botimet komerciale. Megjithëse çmimet dhe paketat e ndryshme ndryshojnë për secilën, të gjitha ato ju mundësojnë të përfshini të njëjtat module shtesë.

Nëse jeni duke përdorur një kopje të SPSS në punë ose në një mjedis universitar që ka instaluar dikush tjetër, mund t'i keni disa nga këto shtesa pa e kuptuar sepse shumica janë aq plotësisht të integruara në menutë saqë duken si pjesë përbërëse të sistemi bazë. Nëse vëreni se menytë tuaja janë më të shkurtra ose më të gjata se kopja e dikujt tjetër e SPSS, kjo është ndoshta për shkak të moduleve shtesë.

Disa shtesa mund të mos ju interesojnë; ndërsa të tjerat mund të bëhen të domosdoshme. Vini re se nëse keni një kopje provë të SPSS, ai ka të ngjarë të ketë të gjitha modulet, duke përfshirë ato në të cilat mund të humbni aksesin kur të merrni kopjen tuaj. Ky artikull ju prezanton me modulet që mund të shtohen në SPSS dhe çfarë bëjnë ato; referojuni dokumentacionit që vjen me secilin modul për një tutorial të plotë.

Me siguri do të hasni emrat IBM SPSS Amos dhe IBM SPSS Modeler . Megjithëse SPSS shfaqet në emra, ju i blini këto programe veç e veç, jo si shtesa. Amos përdoret për Modelimin e Ekuacioneve Strukturore (SEM) dhe SPSS Modeler është një tavolinë pune parashikuese analitike dhe të mësimit të makinës.

Moduli i Statistikave të Avancuara

Më poshtë është një listë e teknikave statistikore që janë pjesë e modulit të Statistikave të Avancuara:

• Modele të përgjithshme lineare (GLM)
• Modele lineare të përgjithësuara (GENLIN)
• Modele lineare të përziera
• Procedurat e ekuacioneve të përgjithësuara të vlerësimit (GEE).
• Modele të përgjithësuara lineare të përziera (GLMM)
• Procedurat e analizës së mbijetesës

Edhe pse këto procedura janë ndër më të avancuarat në SPSS, disa janë mjaft të njohura. Për shembull, modelimi linear hierarkik (HLM), pjesë e modeleve lineare të përziera, është i zakonshëm në kërkimin arsimor. Modelet HLM janë modele statistikore në të cilat parametrat ndryshojnë në më shumë se një nivel. Për shembull, mund të keni të dhëna që përfshijnë informacione si për studentët ashtu edhe për shkollat, dhe në një model HLM mund të inkorporoni njëkohësisht informacione nga të dy nivelet.

Pika kryesore është se ky modul Statistikor i Avancuar përmban teknika të specializuara që duhet t'i përdorni nëse nuk përmbushni supozimet e regresionit të thjeshtë të vaniljes dhe analizës së variancës (ANOVA). Këto teknika janë më shumë të një shije ANOVA. Analiza e mbijetesës është i ashtuquajturi modelim nga koha në ngjarje, siç është vlerësimi i kohës deri në vdekje pas diagnozës.

Moduli i Tabelave të personalizuara

Moduli i Tabelave të personalizuara ka qenë moduli më i popullarizuar për vite me rradhë dhe për arsye të mirë. Nëse ju duhet të shtrydhni shumë informacione në një raport, ju nevojitet ky modul. Për shembull, nëse bëni kërkime në sondazh dhe dëshironi të raportoni për të gjithë anketën në formë tabelare, moduli i Tabelave të personalizuara mund t'ju ndihmojë sepse ju lejon të paraqisni me lehtësi informacion të gjerë.

Merrni një kopje provë falas të Statistikave SPSS me të gjitha modulet dhe detyrojeni veten të kaloni një ditë të qëndrueshme duke përdorur modulet që nuk i keni. Shihni nëse ndonjë aspekt i raportimit që po bëni tashmë mund të bëhet më shpejt me modulin Tabelat e personalizuara. Riprodhoni një raport të fundit dhe shikoni sa kohë mund të kurseni.

Në figurën e mëposhtme, shihni një tabelë të thjeshtë të Frekuencave që shfaq dy variabla. Vini re se kategoritë për të dy variablat janë të njëjta.

Tabela e frekuencave të variablave të zbritjes.

Tabela e mëposhtme është e njëjta të dhëna, por këtu tabela është krijuar duke përdorur modulin SPSS Custom Tables dhe është një tabelë shumë më e mirë.

Tabela e personalizuar e variablave të zbritjes.

Nëse po e krijoni tabelën për veten tuaj, prezantimi mund të mos ketë rëndësi. Por nëse po e vendosni tabelën në një raport që do t'u dërgohet të tjerëve, ju nevojitet moduli SPSS Custom Tables. Nga rruga, me praktikë, duhen vetëm disa sekonda për të bërë versionin e personalizuar dhe mund të përdorni Syntax për të personalizuar më tej tabelën!

Duke filluar në versionin 27, moduli i Tabelave të personalizuara është pjesë e edicionit standard.

Moduli i Regresionit

Më poshtë është një listë e teknikave statistikore që janë pjesë e modulit të Regresionit:

• Regresioni logjistik multinomial dhe binar
• Regresioni jolinear (NLR) dhe regresioni jolinear i kufizuar (CNLR)
• Regresioni i ponderuar i katrorëve më të vegjël dhe regresioni i katrorëve më të vegjël me dy faza
• Analiza probit

Në disa mënyra, moduli i Regresionit është si moduli i Statistikave të Avancuara - ju i përdorni këto teknika kur nuk i përmbushni supozimet standarde. Megjithatë, me modulin e Regresionit, teknikat janë variante fantastike të regresionit kur nuk mund të bëni regresionin e zakonshëm të katrorëve më të vegjël. Regresioni binar logjistik është i popullarizuar dhe përdoret kur variabla e varur ka dy kategori - për shembull, qëndro ose shko (dbi), blej ose mos blej, ose merr një sëmundje ose nuk merr një sëmundje.

Moduli i Kategorive

Moduli Kategoritë ju mundëson të zbuloni marrëdhëniet midis të dhënave tuaja kategorike. Për t'ju ndihmuar të kuptoni të dhënat tuaja, moduli Kategoritë përdor hartën perceptuese, shkallëzimin optimal, shkallëzimin e preferencave dhe zvogëlimin e dimensioneve. Duke përdorur këto teknika, ju mund të interpretoni vizualisht marrëdhëniet midis rreshtave dhe kolonave tuaja.

Moduli Kategoritë kryen analizën e tij mbi të dhënat rendore dhe nominale. Ai përdor procedura të ngjashme me regresionin konvencional, komponentët kryesorë dhe korrelacionin kanonik. Ai kryen regresionin duke përdorur parashikuesin nominal ose rendor kategorik ose variablat e rezultatit.

Procedurat e modulit Kategoritë bëjnë të mundur kryerjen e operacioneve statistikore mbi të dhënat kategorike:

• Duke përdorur procedurat e shkallëzimit, ju mund të caktoni njësi matëse dhe pika zero në të dhënat tuaja kategorike, gjë që ju jep akses në grupe të reja funksionesh statistikore sepse mund të analizoni variablat duke përdorur nivele të përziera të matjes.
• Duke përdorur analizën e korrespondencës, ju mund të vlerësoni numerikisht ngjashmëritë midis variablave nominale dhe të përmblidhni të dhënat tuaja sipas komponentëve që zgjidhni.
• Duke përdorur analizën jolineare të korrelacionit kanonik, ju mund të grumbulloni variabla të niveleve të ndryshme të matjes në grupe të tyre, dhe më pas të analizoni grupet.

Ju mund ta përdorni këtë modul për të prodhuar disa mjete të dobishme:

• Harta perceptuese: Një tabelë përmbledhëse me rezolucion të lartë që shërben si një paraqitje grafike e variablave ose kategorive të ngjashme. Një hartë perceptuese ju jep njohuri mbi marrëdhëniet midis më shumë se dy ndryshoreve kategorike.
• Biplot: Një grafik përmbledhës që bën të mundur shikimin e marrëdhënieve midis produkteve, klientëve dhe karakteristikave demografike.

Moduli i përgatitjes së të dhënave

Le ta pranojmë: përgatitja e të dhënave nuk është argëtuese. Ne do të marrim të gjithë ndihmën që mund të marrim. Asnjë modul nuk do të eliminojë të gjithë punën për njeriun në këtë partneritet njeri-kompjuter, por moduli i Përgatitjes së të Dhënave do të eliminojë disa aspekte rutinë dhe të parashikueshme.

Ky modul ju ndihmon të përpunoni rreshta dhe kolona të dhënash. Për rreshtat e të dhënave, ju ndihmon të identifikoni pikat e jashtme që mund të shtrembërojnë të dhënat tuaja. Sa i përket variablave, ai ju ndihmon të identifikoni më të mirat dhe ju bën të dini se mund t'i përmirësoni disa duke i transformuar ato. Gjithashtu ju mundëson të krijoni rregulla speciale të vërtetimit për të shpejtuar kontrollet e të dhënave tuaja dhe për të shmangur shumë punë manuale. Së fundi, ju ndihmon të identifikoni modelet në të dhënat tuaja që mungojnë.

Duke filluar në versionin 27, modulet Përgatitja e të Dhënave dhe Bootstrapping janë pjesë e edicionit bazë.

Moduli i Pemëve të Vendimit

Pemët e vendimit janë, deri tani, teknika më e njohur dhe më e njohur e nxjerrjes së të dhënave. Në fakt, të gjithë produkte softuerësh i dedikohen kësaj qasjeje. Nëse nuk jeni të sigurt nëse keni nevojë të bëni mining të të dhënave, por dëshironi ta provoni, përdorimi i modulit Decision Trees do të ishte një nga mënyrat më të mira për të tentuar nxjerrjen e të dhënave, sepse ju tashmë e dini rrugën tuaj rreth Statistikave SPSS. Moduli Decision Trees nuk i ka të gjitha veçoritë e pemëve të vendimeve në SPSS Modeler (një paketë e tërë softuerike e dedikuar për nxjerrjen e të dhënave), por ka shumë këtu për t'ju dhënë një fillim të mbarë.

Çfarë janë pemët e vendimit? Epo, ideja është që ju keni diçka që dëshironi të parashikoni (ndryshoren e synuar) dhe shumë variabla që mund t'ju ndihmojnë ta bëni këtë, por ju nuk e dini se cilat janë më të rëndësishmet. SPSS tregon se cilat variabla janë më të rëndësishme dhe si ndërveprojnë variablat, dhe ju ndihmon të parashikoni variablin e synuar në të ardhmen.

SPSS mbështet katër nga algoritmet më të njohura të pemës së vendimeve: CHAID, Exhaustive CHAID, C&RT dhe QUEST.

Moduli i Parashikimit

Ju mund të përdorni modulin e Parashikimit për të ndërtuar me shpejtësi parashikimet e serive kohore të ekspertëve. Ky modul përfshin algoritme statistikore për analizimin e të dhënave historike dhe parashikimin e tendencave. Mund ta konfiguroni për të analizuar qindra seri të ndryshme kohore menjëherë në vend që të kryeni një procedurë të veçantë për secilën.

Softueri është krijuar për të trajtuar situata të veçanta që lindin në analizën e trendit. Përcakton automatikisht mesataren lëvizëse të integruar autoregresive më të përshtatshme (ARIMA) ose modelin e zbutjes eksponenciale. Ai teston automatikisht të dhënat për sezonalitetin, ndërprerjen dhe vlerat që mungojnë. Softueri zbulon pikat e jashtme dhe i pengon ato të ndikojnë në mënyrë të padrejtë në rezultatet. Grafikët e krijuar përfshijnë intervale besimi dhe tregojnë përshtatshmërinë e modelit.

Ndërsa fitoni përvojë në parashikim, moduli i Parashikimit ju jep më shumë kontroll mbi çdo parametër kur jeni duke ndërtuar modelin tuaj të të dhënave. Ju mund të përdorni modeluesin ekspert në modulin Parashikimi për të rekomanduar pikat e fillimit ose për të kontrolluar llogaritjet që keni bërë me dorë.

Përveç kësaj, një algoritëm i quajtur Modelimi i përkohshëm shkakësor (TCM) përpiqet të zbulojë marrëdhëniet kryesore shkakësore në të dhënat e serive kohore duke përfshirë vetëm inputet që kanë një marrëdhënie shkakësore me objektivin. Kjo ndryshon nga modelimi tradicional i serive kohore, ku duhet të specifikoni në mënyrë eksplicite parashikuesit për një seri të synuar.

Moduli i vlerave të munguara

Moduli i përgatitjes së të dhënave duket se ka vlera që mungojnë të mbuluara, por moduli i vlerave të munguara dhe moduli i përgatitjes së të dhënave janë krejtësisht të ndryshëm. Moduli i Përgatitjes së të Dhënave ka të bëjë me gjetjen e gabimeve të të dhënave; rregullat e tij të vlefshmërisë do t'ju tregojnë nëse një pikë e të dhënave thjesht nuk është e drejtë. Moduli Missing Values, nga ana tjetër, fokusohet kur nuk ka vlerë të dhënash. Ai përpiqet të vlerësojë informacionin që mungon duke përdorur të dhëna të tjera që keni. Ky proces quhet imputim, ose zëvendësimi i vlerave me një supozim të arsimuar. Të gjitha llojet e minatorëve të të dhënave, statisticienëve dhe studiuesve - veçanërisht studiuesit e anketave - mund të përfitojnë nga moduli i vlerave të munguara.

Moduli Bootstrapping

Prit mirë sepse do të kemi pak teknikë. Bootstrapping është një teknikë që përfshin rimarrjen e mostrave me zëvendësim. Moduli Bootstrapping zgjedh rastësisht një rast, bën shënime rreth tij, e zëvendëson atë dhe zgjedh një tjetër. Në këtë mënyrë, është e mundur të zgjidhni një rast më shumë se një herë ose aspak. Rezultati neto është një version tjetër i të dhënave tuaja që është i ngjashëm, por jo identik. Nëse e bëni këtë 1000 herë (parazgjedhja), mund të bëni vërtet disa gjëra të fuqishme.

Moduli Bootstrapping ju lejon të ndërtoni modele më të qëndrueshme duke kapërcyer efektin e të dhënave të jashtme dhe probleme të tjera në të dhënat tuaja. Statistikat tradicionale supozojnë se të dhënat tuaja kanë një shpërndarje të veçantë, por kjo teknikë e shmang atë supozim. Rezultati është një ndjenjë më e saktë e asaj që po ndodh në popullatë. Bootstrapping, në një farë kuptimi, është një ide e thjeshtë, por për shkak se bootstrapping kërkon shumë kuaj-fuqi kompjuteri, është më popullor tani sesa kur kompjuterët ishin më të ngadaltë.

Bootstrapping është një teknikë e njohur edhe jashtë SPSS, kështu që mund të gjeni artikuj në ueb rreth konceptit. Moduli Bootstrapping ju lejon të aplikoni këtë koncept të fuqishëm në të dhënat tuaja në Statistikat SPSS.

Moduli i mostrave komplekse

Marrja e mostrave është një pjesë e madhe e statistikave. Një mostër e thjeshtë e rastësishme është ajo që ne zakonisht mendojmë si një mostër - si zgjedhja e emrave nga një kapele. Kapela është popullata juaj dhe copëzat e letrës që zgjidhni i përkasin kampionit tuaj. Çdo copë letër ka një shans të barabartë për t'u zgjedhur. Hulumtimi është shpesh më i ndërlikuar se kaq. Moduli Complex Sample ka të bëjë me forma më të komplikuara të kampionimit: dy faza, të shtresuara, etj.

Më shpesh, studiuesit e sondazhit kanë nevojë për këtë modul, megjithëse shumë lloje të studiuesve eksperimentalë mund të përfitojnë gjithashtu prej tij. Modulet Komplekse të mostrave ju ndihmojnë të hartoni mbledhjen e të dhënave dhe më pas të merrni parasysh dizajnin kur llogaritni statistikat tuaja. Pothuajse të gjitha statistikat në SPSS llogariten me supozimin se të dhënat janë një kampion i thjeshtë i rastësishëm. Llogaritjet tuaja mund të shtrembërohen kur ky supozim nuk përmbushet.

Moduli i përbashkët

Moduli Conjoint ofron një mënyrë që ju të përcaktoni se si secili prej atributeve të produktit tuaj ndikon në preferencën e konsumatorit. Kur kombinoni analizën e përbashkët me hulumtimin e produktit konkurrues të tregut, është më e lehtë të zero karakteristikat e produktit që janë të rëndësishme për klientët tuaj.

Me këtë hulumtim, ju mund të përcaktoni se cilat atribute të produktit u interesojnë klientëve tuaj, për cilat interesohen më shumë dhe si mund të bëni studime të dobishme të çmimeve dhe barazisë së markës. Dhe ju mund t'i bëni të gjitha këto përpara se të bëni shpenzimet për të sjellë produkte të reja në treg.

Moduli i Marketingut Direkt

Moduli i Marketingut Direkt është pak më ndryshe nga të tjerët. Është një grup karakteristikash të lidhura në një mjedis si magjistar. Moduli është krijuar për të bërë blerje me një ndalesë për tregtarët. Karakteristikat kryesore janë analiza e fundit, frekuenca dhe monetare (RFM), analiza e grupimeve dhe profilizimi:

• Analiza RFM: Analiza RFM ju raporton se sa kohët e fundit, sa shpesh dhe sa shpenzuan klientët tuaj për biznesin tuaj. Natyrisht, klientët që janë aktualisht aktivë, shpenzojnë shumë dhe shpenzojnë shpesh, janë klientët tuaj më të mirë.
• Analiza e grupimeve: Analiza e grupeve është një mënyrë për të segmentuar klientët tuaj në segmente të ndryshme të klientëve. Në mënyrë tipike, ju e përdorni këtë qasje për të përshtatur fushata të ndryshme marketingu me klientë të ndryshëm. Për shembull, një linjë lundrimi mund të provojë kopertina të ndryshme në katalogun e udhëtimeve që u dalin klientëve, me tipat aventureske që marrin Alaskën ose Norvegjinë në kopertinë dhe turmën e pijeve ombrellë duke marrë fotografi të Karaibeve.
• Profilizimi: Profilizimi ju ndihmon të shihni se cilat karakteristika të klientit lidhen me rezultate specifike. Në këtë mënyrë, ju mund të llogarisni rezultatin e prirjes që një klient i caktuar do t'i përgjigjet një fushate specifike. Pothuajse të gjitha këto veçori mund të gjenden në fusha të tjera të SPSS, por mjedisi magjistar i modulit të Marketingut Direkt e bën të lehtë për analistët e marketingut që të jenë në gjendje të prodhojnë rezultate të dobishme kur ata nuk kanë trajnim të gjerë në statistikat pas teknikave.

Moduli i Testeve të Sakta

Moduli Exact Tests bën të mundur që të jeni më të saktë në analizën tuaj të grupeve të vogla të të dhënave dhe grupeve të të dhënave që përmbajnë dukuri të rralla. Ai ju jep mjetet që ju nevojiten për të analizuar kushte të tilla të dhënash me më shumë saktësi sesa do të ishte e mundur.

Kur disponohet vetëm një madhësi e vogël kampioni, mund të përdorni modulin Exact Tests për të analizuar kampionin më të vogël dhe për të pasur më shumë besim në rezultatet. Këtu, ideja është që të kryhen më shumë analiza në një periudhë më të shkurtër kohore. Ky modul ju lejon të kryeni sondazhe të ndryshme në vend që të shpenzoni kohë duke mbledhur mostra për të zgjeruar bazën tuaj të sondazheve.

Proceset që përdorni dhe format e rezultateve janë të njëjta me ato në sistemin bazë SPSS, por algoritmet e brendshme janë të akorduara për të punuar me grupe të dhënash më të vogla. Moduli Exact Tests ofron më shumë se 30 teste që mbulojnë të gjitha testet joparametrike dhe kategorike që përdorni zakonisht për grupe të dhënash më të mëdha. Të përfshira janë testet me një kampion, dy mostra dhe k-kampione me mostra të pavarura ose të lidhura, testet e përshtatshmërisë, testet e pavarësisë dhe masat e lidhjes.

Moduli i rrjeteve nervore

Një rrjet nervor është një rrjet rrjetëzues i nyjeve të ngjashme me neuronet, i krijuar brenda SPSS për të vepruar diçka si neuronet në një tru të gjallë. Lidhjet ndërmjet këtyre nyjeve kanë pesha të lidhura (shkallët e efektit relativ), të cilat janë të rregullueshme. Kur rregulloni peshën e një lidhjeje, thuhet se rrjeti mëson.

Në modulin e Rrjetit Neural, një algoritëm trajnimi rregullon në mënyrë të përsëritur peshat për të përputhur ngushtë me marrëdhëniet aktuale midis të dhënave. Ideja është të minimizohen gabimet dhe të maksimizohen parashikimet e sakta. Rrjeti nervor llogaritës ka një shtresë neuronesh për hyrje dhe një tjetër për dalje, me një ose më shumë shtresa të fshehura ndërmjet tyre. Rrjeti nervor mund të përdoret me procedura të tjera statistikore për të ofruar një pasqyrë më të qartë.

Duke përdorur ndërfaqen e njohur SPSS, ju mund të minoni të dhënat tuaja për marrëdhënie. Pas zgjedhjes së një procedure, ju specifikoni variablat e varur, të cilat mund të jenë çdo kombinim i llojeve të vazhdueshme dhe kategorike. Për t'u përgatitur për përpunim, ju vendosni arkitekturën e rrjetit nervor, duke përfshirë burimet llogaritëse që dëshironi të aplikoni. Për të përfunduar përgatitjen, ju zgjidhni çfarë të bëni me rezultatin:

• Rendisni rezultatet në tabela.
• Paraqitni grafikisht rezultatet në grafikët.
• Vendosni rezultatet në ndryshore të përkohshme në grupin e të dhënave.
• Eksporto modele në skedarë të formatuar XML.