Mòduls que podeu afegir a SPSS

L'IBM SPSS Statistics es presenta en forma de sistema base, però podeu adquirir mòduls addicionals per afegir-hi. SPSS està disponible en diverses edicions de llicència : edicions campus, plans de subscripció i edicions comercials. Tot i que els preus i els diferents paquets són diferents per a cadascun, tots us permeten incloure els mateixos mòduls addicionals.

Si utilitzeu una còpia d'SPSS a la feina o en un entorn universitari que algú altre ha instal·lat, és possible que tingueu alguns d'aquests complements sense adonar-vos-en perquè la majoria estan tan totalment integrats als menús que semblen parts integrals del sistema base. Si observeu que els vostres menús són més curts o més llargs que la còpia d'SPSS d'una altra persona, probablement això es deu als mòduls addicionals.

Alguns complements poden no ser del vostre interès; mentre que altres podrien esdevenir indispensables. Tingueu en compte que si teniu una còpia de prova d'SPSS, és probable que tingui tots els mòduls, inclosos aquells als quals podeu perdre l'accés quan adquireixis la teva pròpia còpia. Aquest article us presenta els mòduls que es poden afegir a SPSS i què fan; consulteu la documentació que inclou cada mòdul per obtenir un tutorial complet.

Probablement us trobareu amb els noms IBM SPSS Amos i IBM SPSS Modeler . Tot i que SPSS apareix als noms, adquireu aquests programes per separat, no com a complements. Amos s'utilitza per al modelatge d'equacions estructurals (SEM) i SPSS Modeler és un banc de treball d'anàlisi predictiva i aprenentatge automàtic.

El mòdul d'Estadística Avançada

A continuació es mostra una llista de les tècniques estadístiques que formen part del mòdul d'Estadística Avançada:

• Models lineals generals (GLM)
• Models lineals generalitzats (GENLIN)
• Models lineals mixtes
• Procediments d'equacions d'estimació generalitzada (GEE).
• Models lineals mixts generalitzats (GLMM)
• Procediments d'anàlisi de supervivència

Tot i que aquests procediments es troben entre els més avançats d'SPSS, alguns són força populars. Per exemple, el modelatge lineal jeràrquic (HLM), part dels models lineals mixts, és habitual en la investigació educativa. Els models HLM són models estadístics en els quals els paràmetres varien en més d'un nivell. Per exemple, podeu tenir dades que incloguin informació tant per als estudiants com per a les escoles, i en un model HLM podeu incorporar simultàniament informació dels dos nivells.

El punt clau és que aquest mòdul d'estadística avançada conté tècniques especialitzades que cal utilitzar si no compleixes els supòsits de regressió i anàlisi de variància (ANOVA). Aquestes tècniques són més aviat un sabor ANOVA. L'anàlisi de supervivència és l'anomenat model del temps fins a l'esdeveniment, com ara l'estimació del temps fins a la mort després del diagnòstic.

El mòdul Taules personalitzades

El mòdul de taules personalitzades ha estat el mòdul més popular durant anys, i per una bona raó. Si necessiteu incloure molta informació en un informe, necessiteu aquest mòdul. Per exemple, si feu una investigació d'enquesta i voleu informar de l'enquesta sencera en forma de taula, el mòdul Taules personalitzades us pot ajudar perquè us permet presentar fàcilment una gran informació.

Obteniu una còpia de prova gratuïta de SPSS Statistics amb tots els mòduls i obligueu-vos a passar un dia sòlid utilitzant els mòduls que no teniu. Vegeu si algun aspecte dels informes que ja esteu fent es pot fer més ràpidament amb el mòdul Taules personalitzades. Reprodueix un informe recent i mira quant de temps pots estalviar.

A la figura següent, veieu una taula de freqüències senzilla que mostra dues variables. Tingueu en compte que les categories de les dues variables són les mateixes.

Taula de freqüències de les variables de descompte.

La taula següent és les mateixes dades, però aquí la taula es va crear mitjançant el mòdul de taules personalitzades d'SPSS i és una taula molt millor.

Taula personalitzada de les variables de descompte.

Si esteu produint la taula per vosaltres mateixos, és possible que la presentació no tingui importància. Però si esteu posant la taula en un informe que s'enviarà a altres, necessiteu el mòdul de taules personalitzades d'SPSS. Per cert, amb pràctica, només triguen uns segons a fer la versió personalitzada, i podeu utilitzar la sintaxi per personalitzar encara més la taula!

A partir de la versió 27, el mòdul Taules personalitzades forma part de l'edició estàndard.

El mòdul de regressió

A continuació es mostra una llista de les tècniques estadístiques que formen part del mòdul de regressió:

• Regresió logística multinomial i binària
• Regressió no lineal (NLR) i regressió no lineal restringida (CNLR)
• Regresió de mínims quadrats ponderada i regressió de mínims quadrats en dues etapes
• Anàlisi probit

D'alguna manera, el mòdul de regressió és com el mòdul d'estadístiques avançades: feu servir aquestes tècniques quan no compliu els supòsits estàndard. Tanmateix, amb el mòdul de regressió, les tècniques són variants fantàstiques de la regressió quan no podeu fer una regressió ordinària de mínims quadrats. La regressió logística binària és popular i s'utilitza quan la variable dependent té dues categories: per exemple, quedar-se o marxar (abandonar), comprar o no comprar, o tenir una malaltia o no tenir una malaltia.

El mòdul Categories

El mòdul Categories us permet revelar les relacions entre les vostres dades categòriques. Per ajudar-vos a entendre les vostres dades, el mòdul Categories utilitza mapes perceptius, escalat òptim, escalat de preferències i reducció de dimensions. Amb aquestes tècniques, podeu interpretar visualment les relacions entre les vostres files i columnes.

El mòdul Categories realitza la seva anàlisi sobre dades ordinals i nominals. Utilitza procediments similars a la regressió convencional, components principals i correlació canònica. Realitza la regressió utilitzant variables predictores categòriques o de resultat nominals o ordinals.

Els procediments del mòdul Categories permeten realitzar operacions estadístiques sobre dades categòriques:

• Mitjançant els procediments d'escala, podeu assignar unitats de mesura i punts zero a les vostres dades categòriques, la qual cosa us permet accedir a nous grups de funcions estadístiques perquè podeu analitzar variables mitjançant nivells de mesura mixtos.
• Mitjançant l'anàlisi de correspondència, podeu avaluar numèricament les similituds entre variables nominals i resumir les vostres dades segons els components que seleccioneu.
• Mitjançant l'anàlisi de correlació canònica no lineal, podeu recollir variables de diferents nivells de mesura en conjunts propis i després analitzar-los.

Podeu utilitzar aquest mòdul per produir un parell d'eines útils:

• Mapa perceptiu: un gràfic resum d'alta resolució que serveix com a visualització gràfica de variables o categories similars. Un mapa perceptiu us ofereix informació sobre les relacions entre més de dues variables categòriques.
• Biplot: gràfic resum que permet veure les relacions entre productes, clients i característiques demogràfiques.

El mòdul de preparació de dades

Siguem sincers: la preparació de dades no és divertida. Recollirem tota l'ajuda que puguem rebre. Cap mòdul eliminarà tot el treball per a l'ésser humà en aquesta associació home-ordinador, però el mòdul Preparació de dades eliminarà alguns aspectes rutinaris i previsibles.

Aquest mòdul us ajuda a processar files i columnes de dades. Per a les files de dades, us ajuda a identificar els valors atípics que poden distorsionar les vostres dades. Pel que fa a les variables, t'ajuda a identificar-ne les millors i et fa saber que pots millorar-ne algunes transformant-les. També us permet crear regles de validació especials per accelerar les vostres comprovacions de dades i evitar molt treball manual. Finalment, us ajuda a identificar patrons a les dades que falten.

A partir de la versió 27, els mòduls de preparació de dades i d'arrencada formen part de l'edició base.

El mòdul Arbres de decisió

Els arbres de decisió són, amb diferència, la tècnica de mineria de dades més popular i coneguda. De fet, productes de programari sencers es dediquen a aquest enfocament. Si no esteu segur de si heu de fer mineria de dades, però voleu provar-ho, utilitzar el mòdul Arbres de decisions seria una de les millors maneres d'intentar la mineria de dades perquè ja coneixeu SPSS Statistics. El mòdul Arbres de decisió no té totes les característiques dels arbres de decisió a SPSS Modeler (un paquet de programari sencer dedicat a la mineria de dades), però aquí hi ha moltes coses per començar bé.

Què són els arbres de decisió? Bé, la idea és que teniu alguna cosa que voleu predir (la variable objectiu) i moltes variables que possiblement us poden ajudar a fer-ho, però no sabeu quines són les més importants. SPSS indica quines variables són més importants i com interactuen les variables, i us ajuda a predir la variable objectiu en el futur.

SPSS admet quatre dels algorismes d'arbre de decisió més populars: CHAID, CHAID exhaustiu, C&RT i QUEST.

El mòdul de previsió

Podeu utilitzar el mòdul Previsió per construir ràpidament previsions de sèries temporals expertes. Aquest mòdul inclou algorismes estadístics per analitzar dades històriques i predir tendències. Podeu configurar-lo per analitzar centenars de sèries temporals diferents alhora en lloc d'executar un procediment independent per a cadascuna.

El programari està dissenyat per gestionar les situacions especials que es plantegen en l'anàlisi de tendències. Determina automàticament la mitjana mòbil integrada autoregressiva (ARIMA) o el model de suavització exponencial més adequat. Comprova automàticament les dades per determinar l'estacionalitat, la intermitència i els valors que falten. El programari detecta els valors atípics i evita que influeixin indegudament en els resultats. Els gràfics generats inclouen intervals de confiança i indiquen la bondat d'ajust del model.

A mesura que adquireix experiència en la predicció, el mòdul de previsió us ofereix més control sobre tots els paràmetres quan esteu creant el vostre model de dades. Podeu utilitzar el modelador expert del mòdul Previsió per recomanar punts de partida o per comprovar els càlculs que heu fet a mà.

A més, un algorisme anomenat Modelatge causal temporal (TCM) intenta descobrir relacions causals clau en dades de sèries temporals incloent només entrades que tenen una relació causal amb l'objectiu. Això difereix del modelatge tradicional de sèries temporals, on heu d'especificar explícitament els predictors d'una sèrie objectiu.

El mòdul de valors perduts

Sembla que el mòdul de preparació de dades té els valors que falten coberts, però el mòdul de valors que falten i el mòdul de preparació de dades són força diferents. El mòdul de preparació de dades tracta de trobar errors de dades; les seves regles de validació us indicaran si un punt de dades no és correcte. El mòdul Missing Values, en canvi, se centra quan no hi ha valor de dades. Intenta estimar la informació que falta utilitzant altres dades que teniu. Aquest procés s'anomena imputació, o substitució de valors per una conjectura educada. Tot tipus de miners de dades, estadístics i investigadors, especialment els investigadors d'enquestes, poden beneficiar-se del mòdul Missing Values.

El mòdul Bootstrapping

Aguanta't perquè ens posarem una mica tècnics. El bootstrapping és una tècnica que implica el remuestreig amb substitució. El mòdul Bootstrapping tria un cas a l'atzar, fa notes al respecte, el substitueix i en tria un altre. D'aquesta manera, és possible triar un cas més d'una vegada o no. El resultat net és una altra versió de les vostres dades que és similar però no idèntica. Si ho feu 1.000 vegades (per defecte), podeu fer algunes coses poderoses.

El mòdul Bootstrapping us permet crear models més estables superant l'efecte dels valors atípics i altres problemes a les vostres dades. Les estadístiques tradicionals assumeixen que les vostres dades tenen una distribució particular, però aquesta tècnica evita aquesta suposició. El resultat és una idea més precisa del que està passant a la població. L'arrencada, en cert sentit, és una idea senzilla, però com que l'arrencada requereix molta potència de l'ordinador, ara és més popular que quan els ordinadors eren més lents.

El bootstrapping també és una tècnica popular fora d'SPSS, de manera que podeu trobar articles al web sobre el concepte. El mòdul Bootstrapping us permet aplicar aquest concepte potent a les vostres dades a SPSS Statistics.

El mòdul de mostres complexes

El mostreig és una gran part de les estadístiques. Una mostra aleatòria simple és el que normalment pensem com una mostra, com triar noms d'un barret. El barret és la vostra població, i els trossos de paper que trieu pertanyen a la vostra mostra. Cada tros de paper té les mateixes possibilitats de ser escollit. La recerca sovint és més complicada que això. El mòdul Mostra complexa tracta de formes més complicades de mostreig: en dues etapes, estratificada, etc.

Molt sovint, els investigadors d'enquestes necessiten aquest mòdul, encara que molts tipus d'investigadors experimentals també se'n poden beneficiar. Els mòduls de mostres complexes us ajuden a dissenyar la recollida de dades i, a continuació, té en compte el disseny a l'hora de calcular les vostres estadístiques. Gairebé totes les estadístiques a SPSS es calculen amb el supòsit que les dades són una mostra aleatòria simple. Els vostres càlculs es poden distorsionar quan aquesta hipòtesi no es compleix.

El mòdul conjunt

El mòdul Conjunt us ofereix una manera de determinar com afecten les preferències del consumidor cadascun dels atributs del vostre producte. Quan combineu l'anàlisi conjunta amb la investigació de productes de mercat competitius, és més fàcil concentrar-vos en les característiques del producte que són importants per als vostres clients.

Amb aquesta investigació, podeu determinar quins són els atributs dels productes que els importen als vostres clients, quins els importen més i com podeu fer estudis útils sobre preus i valor de marca. I tot això ho pots fer abans d' incórrer en la despesa de portar nous productes al mercat.

El mòdul de màrqueting directe

El mòdul de màrqueting directe és una mica diferent dels altres. És un conjunt de funcions relacionades en un entorn de mag. El mòdul està dissenyat per ser una finestreta única per als venedors. Les principals característiques són l'anàlisi de recentitat, freqüència i monetària (RFM), l'anàlisi de clúster i l'elaboració de perfils:

• Anàlisi de RFM: l'anàlisi de RFM us informa sobre la recentment, amb quina freqüència i quant van gastar els vostres clients en el vostre negoci. Òbviament, els clients que actualment estan actius, gasten molt i gasten sovint, són els vostres millors clients.
• Anàlisi de clúster: l'anàlisi de clúster és una manera de segmentar els vostres clients en diferents segments de clients. Normalment, utilitzeu aquest enfocament per combinar diferents campanyes de màrqueting amb diferents clients. Per exemple, una línia de creuers pot provar diferents cobertes al catàleg de viatges que surt als clients, amb els tipus aventurers que posen Alaska o Noruega a la portada, i la gent de begudes paraigües obtenint fotos del Carib.
• Elaboració de perfils: l' elaboració de perfils us ajuda a veure quines característiques del client estan associades a resultats específics. D'aquesta manera, podeu calcular la puntuació de propensió que respondrà un client determinat a una campanya concreta. Pràcticament totes aquestes característiques es poden trobar en altres àrees d'SPSS, però l'entorn d'assistent del mòdul de màrqueting directe facilita que els analistes de màrqueting puguin produir resultats útils quan no tenen una formació àmplia en les estadístiques darrere de les tècniques.

El mòdul Tests exactes

El mòdul Proves exactes permet ser més precís en l'anàlisi de petits conjunts de dades i conjunts de dades que contenen casos poc freqüents. Us ofereix les eines que necessiteu per analitzar aquestes condicions de dades amb més precisió del que seria possible d'una altra manera.

Quan només hi ha una mostra petita disponible, podeu utilitzar el mòdul Proves exactes per analitzar la mostra més petita i tenir més confiança en els resultats. Aquí, la idea és realitzar més anàlisis en un període de temps més curt. Aquest mòdul us permet realitzar diferents enquestes en lloc de dedicar temps a recollir mostres per ampliar la vostra base d'enquestes.

Els processos que utilitzeu i les formes dels resultats són els mateixos que els del sistema SPSS base, però els algorismes interns estan ajustats per funcionar amb conjunts de dades més petits. El mòdul Proves exactes ofereix més de 30 proves que cobreixen totes les proves no paramètriques i categòriques que normalment feu servir per a conjunts de dades més grans. S'inclouen proves d'una, dues mostres i mostres k amb mostres independents o relacionades, proves de bondat d'ajust, proves d'independència i mesures d'associació.

El mòdul de xarxes neuronals

Una xarxa neuronal és una xarxa de nodes semblants a neurones, configurada dins de SPSS per actuar com les neurones d'un cervell viu. Les connexions entre aquests nodes tenen pesos associats (graus d'efecte relatiu), que són ajustables. Quan ajusteu el pes d'una connexió, es diu que la xarxa aprèn.

Al mòdul de xarxa neuronal, un algorisme d'entrenament ajusta iterativament els pesos per coincidir de prop amb les relacions reals entre les dades. La idea és minimitzar els errors i maximitzar les prediccions precises. La xarxa neuronal computacional té una capa de neurones per a les entrades i una altra per a les sortides, amb una o més capes amagades entre elles. La xarxa neuronal es pot utilitzar amb altres procediments estadístics per proporcionar una visió més clara.

Mitjançant la familiar interfície SPSS, podeu extreure les vostres dades per a les relacions. Després de seleccionar un procediment, especifiqueu les variables dependents, que poden ser qualsevol combinació de tipus continus i categòrics. Per preparar-se per al processament, dissenyeu l'arquitectura de la xarxa neuronal, inclosos els recursos computacionals que voleu aplicar. Per completar la preparació, trieu què fer amb la sortida:

• Enumereu els resultats en taules.
• Mostra gràficament els resultats en gràfics.
• Col·loqueu els resultats en variables temporals del conjunt de dades.
• Exporta models en fitxers amb format XML.