Модули, които можете да добавите към SPSS

IBM SPSS Statistics се предлага под формата на базова система, но можете да закупите допълнителни модули, които да добавите към тази система. SPSS се предлага в различни лицензионни издания : издания на кампуса, абонаментни планове и търговски издания. Въпреки че цените и различните пакети се различават за всеки, всички те ви позволяват да включите едни и същи допълнителни модули.

Ако използвате копие на SPSS на работа или в университетска среда, инсталирана от някой друг, може да имате някои от тези добавки, без да го осъзнавате, защото повечето са толкова напълно интегрирани в менютата, че изглеждат като неразделна част от базова система. Ако забележите, че вашите менюта са по-къси или по-дълги от нечие друго копие на SPSS, това вероятно се дължи на допълнителни модули.

Някои добавки може да не представляват интерес за вас; докато други биха могли да станат незаменими. Имайте предвид, че ако имате пробно копие на SPSS, то вероятно има всички модули, включително тези, до които може да загубите достъп, когато придобиете свое собствено копие. Тази статия ви запознава с модулите, които могат да се добавят към SPSS и какво правят; вижте документацията, която идва с всеки модул за пълен урок.

Вероятно ще срещнете имената IBM SPSS Amos и IBM SPSS Modeler . Въпреки че SPSS се появява в имената, вие купувате тези програми отделно, а не като добавки. Amos се използва за моделиране на структурни уравнения (SEM), а SPSS Modeler е работна маса за прогнозни анализи и машинно обучение.

Модул Разширена статистика

Следва списък на статистическите техники, които са част от модула Разширена статистика:

• Общи линейни модели (GLM)
• Обобщени линейни модели (GENLIN)
• Линейни смесени модели
• Процедури за обобщени уравнения за оценка (GEE).
• Обобщени линейни смесени модели (GLMM)
• Процедури за анализ на оцеляването

Въпреки че тези процедури са сред най-модерните в SPSS, някои са доста популярни. Например, йерархичното линейно моделиране (HLM), част от линейните смесени модели, е често срещано в образователните изследвания. HLM моделите са статистически модели, в които параметрите варират на повече от едно ниво. Например, може да имате данни, които включват информация както за ученици, така и за училища, а в HLM модел можете едновременно да включите информация от двете нива.

Ключовият момент е, че този разширен статистически модул съдържа специализирани техники, които трябва да използвате, ако не отговаряте на допусканията за обикновена регресия и анализ на дисперсията (ANOVA). Тези техники са по-скоро ANOVA вкус. Анализът на оцеляването е така нареченото моделиране на времето до събитие, като например оценка на времето до смърт след поставяне на диагнозата.

Модулът Custom Tables

Модулът Custom Tables е най-популярният модул от години и с добра причина. Ако трябва да изстискате много информация в отчет, имате нужда от този модул. Например, ако правите проучване на проучването и искате да докладвате за цялото проучване в табличен вид, модулът Custom Tables може да ви помогне, защото ви позволява лесно да представите обширна информация.

Вземете безплатно пробно копие на SPSS Statistics с всички модули и се накарайте да прекарате солиден ден, използвайки модулите, които нямате. Вижте дали някой аспект на отчитането, който вече правите, може да бъде направен по-бързо с модула Custom Tables. Възпроизведете скорошен отчет и вижте колко време може да спестите.

На следващата фигура виждате проста таблица с честоти, показваща две променливи. Имайте предвид, че категориите и за двете променливи са еднакви.

Таблица с честотите на променливите за отстъпка.

Следващата таблица е със същите данни, но тук таблицата е създадена с помощта на модула SPSS Custom Tables и е много по-добра таблица.

Персонализирана таблица на променливите за отстъпка.

Ако произвеждате таблицата за себе си, представянето може да няма значение. Но ако поставяте таблицата в отчет, който ще бъде изпратен на други, имате нужда от модула SPSS Custom Tables. Между другото, с практиката, отнема само няколко секунди, за да направите персонализираната версия и можете да използвате Синтаксис за допълнително персонализиране на таблицата!

Започвайки от версия 27, модулът Custom Tables е част от стандартното издание.

Модул регресия

Следва списък на статистическите техники, които са част от модула Регресия:

• Мултиномиална и двоична логистична регресия
• Нелинейна регресия (NLR) и ограничена нелинейна регресия (CNLR)
• Претеглена регресия на най-малките квадрати и двуетапна регресия на най-малките квадрати
• Пробит анализ

В някои отношения модулът за регресия е като модула за разширени статистически данни — използвате тези техники, когато не отговаряте на стандартните предположения. Въпреки това, с модула Регресия, техниките са фантастични варианти на регресия, когато не можете да направите обикновена регресия на най-малките квадрати. Бинарната логистична регресия е популярна и се използва, когато зависимата променлива има две категории – например, останете или отидете (изхвърлете), купете или не купете, или получите заболяване или не получите заболяване.

Модул Категории

Модулът Категории ви позволява да разкривате връзки между вашите категориални данни. За да ви помогне да разберете вашите данни, модулът Categories използва перцептивно картографиране, оптимално мащабиране, мащабиране на предпочитанията и намаляване на размерите. Използвайки тези техники, можете визуално да интерпретирате връзките между вашите редове и колони.

Модулът Категории извършва своя анализ върху редни и поименни данни. Той използва процедури, подобни на конвенционалната регресия, главни компоненти и канонична корелация. Той извършва регресия, използвайки номинален или порядков категоричен предиктор или променливи на резултата.

Процедурите на модула Категории дават възможност за извършване на статистически операции върху категорийни данни:

• Използвайки процедурите за мащабиране, можете да присвоите мерни единици и нулеви точки на вашите категориални данни, което ви дава достъп до нови групи статистически функции, тъй като можете да анализирате променливи, използвайки смесени нива на измерване.
• Използвайки анализ на съответствието, можете да оцените числено приликите между номиналните променливи и да обобщите данните си според избраните от вас компоненти.
• Използвайки нелинеен каноничен корелационен анализ, можете да събирате променливи с различни нива на измерване в собствени набори и след това да анализирате наборите.

Можете да използвате този модул, за да създадете няколко полезни инструмента:

• Перцептивна карта: Обобщена диаграма с висока разделителна способност, която служи като графичен дисплей на подобни променливи или категории. Карта на възприятието ви дава представа за връзките между повече от две категорични променливи.
• Biplot: Обобщена диаграма, която дава възможност да се разгледат връзките между продукти, клиенти и демографски характеристики.

Модулът за подготовка на данни

Нека си го кажем: Подготовката на данни не е забавна. Ще приемем цялата помощ, която можем да получим. Никой модул няма да елиминира цялата работа за човека в това партньорство човек-компютър, но модулът за подготовка на данни ще елиминира някои рутинни, предвидими аспекти.

Този модул ви помага да обработвате редове и колони с данни. За редове с данни ви помага да идентифицирате отклонения, които могат да изкривят данните ви. Що се отнася до променливите, това ви помага да идентифицирате най-добрите и ви позволява да знаете, че бихте могли да подобрите някои, като ги трансформирате. Той също така ви позволява да създавате специални правила за валидиране, за да ускорите проверките на вашите данни и да избегнете много ръчна работа. И накрая, това ви помага да идентифицирате модели в липсващите ви данни.

Започвайки от версия 27, модулите Data Preparation и Bootstrapping са част от базовото издание.

Модул "Дърветата на решенията".

Дърветата на решенията са най-популярната и добре позната техника за извличане на данни. Всъщност цели софтуерни продукти са посветени на този подход. Ако не сте сигурни дали трябва да извличате данни, но искате да го изпробвате, използването на модула Decision Trees би било един от най-добрите начини да опитате да извличате данни, защото вече знаете как да заобиколите SPSS Statistics. Модулът Decision Trees не разполага с всички функции на дърветата на решенията в SPSS Modeler (цял софтуерен пакет, посветен на извличането на данни), но има много тук, за да ви даде добър старт.

Какво представляват дърветата на решенията? Е, идеята е, че имате нещо, което искате да предвидите (целевата променлива) и много променливи, които биха могли да ви помогнат да направите това, но не знаете кои са най-важните. SPSS показва кои променливи са най-важни и как променливите си взаимодействат и ви помага да предвидите целевата променлива в бъдеще.

SPSS поддържа четири от най-популярните алгоритми за дърво на решения: CHAID, Exhaustive CHAID, C&RT и QUEST.

Модулът за прогнозиране

Можете да използвате модула за прогнозиране за бързо изграждане на експертни прогнози за времеви серии. Този модул включва статистически алгоритми за анализ на исторически данни и прогнозиране на тенденции. Можете да го настроите да анализира стотици различни времеви серии наведнъж, вместо да изпълнявате отделна процедура за всеки един.

Софтуерът е проектиран да се справя със специалните ситуации, които възникват при анализа на тенденциите. Той автоматично определя най-подходящия авторегресивен интегриран пълзящ среден (ARIMA) или експоненциален модел на изглаждане. Той автоматично тества данните за сезонност, периодичност и липсващи стойности. Софтуерът открива отклонения и ги предпазва от неправомерно влияние върху резултатите. Генерираните графики включват доверителни интервали и показват доброто прилягане на модела.

Докато придобивате опит в прогнозирането, модулът за прогнозиране ви дава повече контрол върху всеки параметър, когато изграждате своя модел на данни. Можете да използвате експертния моделер в модула за прогнозиране, за да препоръчате отправни точки или да проверите изчисленията, които сте направили на ръка.

В допълнение, алгоритъм, наречен Temporal Causal Modeling (TCM), се опитва да открие ключови причинно-следствени връзки в данните от времеви серии, като включва само входни данни, които имат причинно-следствена връзка с целта. Това се различава от традиционното моделиране на времеви серии, където трябва изрично да посочите предикторите за целева серия.

Модул Липсващи стойности

Изглежда, че модулът за подготовка на данни има покрити липсващи стойности, но модулът за липсващи стойности и модулът за подготовка на данни са доста различни. Модулът за подготовка на данни е за намиране на грешки в данните; правилата му за валидиране ще ви кажат дали дадена точка от данни просто не е правилна. Модулът Липсващи стойности, от друга страна, е фокусиран върху това, когато няма стойност на данни. Той се опитва да оцени липсващата част от информацията, използвайки други данни, с които разполагате. Този процес се нарича импутация или замяна на стойности с обосновано предположение. Всички видове копачи на данни, статистици и изследователи - особено изследователи - могат да се възползват от модула за липсващи стойности.

Модулът Bootstrapping

Дръжте се, защото ще станем малко технически. Bootstrapping е техника, която включва повторно семплиране с подмяна. Модулът Bootstrapping избира случай на случаен принцип, прави бележки за него, заменя го и избира друг. По този начин е възможно да изберете случай повече от веднъж или изобщо да не изберете. Нетният резултат е друга версия на вашите данни, която е подобна, но не идентична. Ако направите това 1000 пъти (по подразбиране), наистина можете да направите някои мощни неща.

Модулът Bootstrapping ви позволява да изграждате по-стабилни модели чрез преодоляване на ефекта от отклонения и други проблеми във вашите данни. Традиционната статистика предполага, че вашите данни имат определено разпределение, но тази техника избягва това предположение. Резултатът е по-точно усещане за това, което се случва в населението. Зареждането в известен смисъл е проста идея, но тъй като зареждането отнема много компютърни конски сили, сега е по-популярно, отколкото когато компютрите бяха по-бавни.

Bootstrapping е популярна техника и извън SPSS, така че можете да намерите статии в мрежата за концепцията. Модулът Bootstrapping ви позволява да приложите тази мощна концепция към вашите данни в SPSS Statistics.

Модул комплексни проби

Извадката е голяма част от статистиката. А проста случайна извадка е това, което ние обикновено мислим като проба - като избора на имена от шапка. Шапката е вашето население, а парчетата хартия, които избирате, принадлежат на вашата извадка. Всеки лист хартия има равен шанс да бъде избран. Изследванията често са по-сложни от това. Модулът Complex Sample е за по-сложни форми на вземане на проби: двуетапна, стратифицирана и т.н.

Най-често изследователите в анкетата се нуждаят от този модул, въпреки че много видове експериментални изследователи също могат да се възползват от него. Модулите Complex Samples ви помагат да проектирате събирането на данни и след това взема предвид дизайна при изчисляване на вашата статистика. Почти всички статистики в SPSS се изчисляват с допускането, че данните са проста произволна извадка. Вашите изчисления могат да бъдат изкривени, когато това предположение не е изпълнено.

Модулът Conjoint

Модулът Conjoint ви предоставя начин да определите как всеки от атрибутите на вашия продукт влияе върху предпочитанията на потребителите. Когато комбинирате съвместен анализ с проучване на конкурентния пазар, е по-лесно да се съсредоточите върху характеристиките на продукта, които са важни за вашите клиенти.

С това изследване можете да определите кои продуктови атрибути се интересуват от клиентите ви, кои ги интересуват най-много и как можете да направите полезни проучвания за ценообразуването и капитала на марката. И можете да направите всичко това, преди да понесете разходите за пускането на нови продукти на пазара.

Модулът за директен маркетинг

Модулът за директен маркетинг е малко по-различен от останалите. Това е пакет от свързани функции в среда, подобна на магьосник. Модулът е проектиран да пазарува на едно гише за търговците. Основните характеристики са анализ на актуалност, честота и паричен (RFM), клъстерен анализ и профилиране:

• RFM анализ: RFM анализът ви отчита колко наскоро, колко често и колко са похарчили клиентите ви за вашия бизнес. Очевидно клиентите, които в момента са активни, харчат много и харчат често, са най-добрите ви клиенти.
• Клъстерен анализ: Клъстерният анализ е начин за сегментиране на вашите клиенти в различни клиентски сегменти. Обикновено използвате този подход, за да съпоставите различни маркетингови кампании с различни клиенти. Например, една круизна линия може да изпробва различни корици в каталога за пътувания, които излизат на клиентите, като приключенските типове ще получат Аляска или Норвегия на корицата, а тълпата, която пие чадъри, получава снимки на Карибите.
• Профилиране: Профилирането ви помага да видите кои характеристики на клиентите са свързани с конкретни резултати. По този начин можете да изчислите оценката за склонност, на която даден клиент ще отговори на конкретна кампания. На практика всички тези функции могат да бъдат намерени в други области на SPSS, но магьосническата среда на модула за директен маркетинг улеснява маркетинговите анализатори да могат да произвеждат полезни резултати, когато нямат задълбочено обучение в статистиката зад техниките.

Модулът за точни тестове

Модулът Exact Tests дава възможност да бъдете по-точни при анализа на малки набори от данни и набори от данни, които съдържат редки събития. Той ви дава инструментите, от които се нуждаете, за да анализирате такива условия на данни с по-голяма точност, отколкото иначе би било възможно.

Когато е наличен само малък размер на пробата, можете да използвате модула Точни тестове, за да анализирате по-малката извадка и да имате повече доверие в резултатите. Тук идеята е да се извършват повече анализи за по-кратък период от време. Този модул ви позволява да провеждате различни проучвания, вместо да прекарвате време в събиране на проби, за да разширите базата си от проучвания.

Процесите, които използвате, и формите на резултатите са същите като тези в базовата SPSS система, но вътрешните алгоритми са настроени да работят с по-малки набори от данни. Модулът Exact Tests предоставя повече от 30 теста, обхващащи всички непараметрични и категорични тестове, които обикновено използвате за по-големи набори от данни. Включени са тестове с една, две и k-проби с независими или свързани проби, тестове за добро съответствие, тестове за независимост и мерки за асоцииране.

Модулът за невронни мрежи

А невронна мрежа е latticelike мрежа от neuronlike възли, създадени в рамките на SPSS да действа нещо като невроните в мозъка жив. Връзките между тези възли имат свързани тегла (степени на относителен ефект), които са регулируеми. Когато регулирате тежестта на дадена връзка, се казва, че мрежата се учи.

В модула на невронната мрежа обучаващ алгоритъм итеративно коригира теглата, за да съвпадне тясно с действителните връзки между данните. Идеята е да се сведат до минимум грешките и да се увеличат максимално точните прогнози. Изчислителната невронна мрежа има един слой неврони за входове и друг за изходи, с един или повече скрити слоеве между тях. Невронната мрежа може да се използва с други статистически процедури, за да се осигури по-ясна представа.

Използвайки познатия интерфейс SPSS, можете да копаете вашите данни за връзки. След като изберете процедура, вие посочвате зависимите променливи, които могат да бъдат всяка комбинация от непрекъснати и категорични типове. За да се подготвите за обработка, вие излагате архитектурата на невронната мрежа, включително изчислителните ресурси, които искате да приложите. За да завършите подготовката, избирате какво да правите с изхода:

• Избройте резултатите в таблици.
• Покажете графично резултатите в диаграми.
• Поставете резултатите във временни променливи в набора от данни.
• Експортирайте модели в XML-форматирани файлове.