Moduly, které můžete přidat do SPSS

IBM SPSS Statistics přichází ve formě základního systému, ale můžete si pořídit další moduly, které k tomuto systému přidáte. SPSS je k dispozici v různých licenčních edicích : edice pro kampus, plány předplatného a komerční edice. Přestože se ceny a různé balíčky u každého liší, všechny vám umožňují zahrnout stejné přídavné moduly.

Pokud v práci nebo v univerzitním prostředí používáte kopii SPSS, kterou nainstaloval někdo jiný, možná máte některé z těchto doplňků, aniž byste si to uvědomovali, protože většina z nich je tak plně integrována do nabídek, že vypadají jako nedílné součásti základní systém. Pokud si všimnete, že vaše menu jsou kratší nebo delší než kopie SPSS někoho jiného, ​​je to pravděpodobně způsobeno přídavnými moduly.

Některé doplňky vás nemusí zajímat; zatímco jiní by se mohli stát nepostradatelnými. Pamatujte, že pokud máte zkušební kopii SPSS, pravděpodobně obsahuje všechny moduly, včetně těch, ke kterým můžete ztratit přístup, když si pořídíte vlastní kopii. Tento článek vám představí moduly, které lze přidat do SPSS a co dělají; úplný výukový program naleznete v dokumentaci dodávané s každým modulem.

Pravděpodobně se setkáte s názvy IBM SPSS Amos a IBM SPSS Modeler . Přestože se SPSS objevuje v názvech, tyto programy si kupujete samostatně, nikoli jako doplňky. Amos se používá pro strukturální modelování rovnic (SEM) a SPSS Modeler je prediktivní analytický pracovní stůl a strojové učení.

Modul Pokročilé statistiky

Níže je uveden seznam statistických technik, které jsou součástí modulu Pokročilá statistika:

• Obecné lineární modely (GLM)
• Zobecněné lineární modely (GENLIN)
• Lineární smíšené modely
• Postupy zobecněných odhadních rovnic (GEE).
• Zobecněné lineární smíšené modely (GLMM)
• Postupy analýzy přežití

Přestože tyto postupy patří v SPSS k nejpokročilejším, některé jsou poměrně oblíbené. Například hierarchické lineární modelování (HLM), součást lineárních smíšených modelů, je běžné v pedagogickém výzkumu. HLM modely jsou statistické modely, ve kterých se parametry liší na více než jedné úrovni. Můžete mít například data, která obsahují informace pro studenty i školy, a v modelu HLM můžete současně začlenit informace z obou úrovní.

Klíčovým bodem je, že tento modul Advanced Statistical obsahuje specializované techniky, které musíte použít, pokud nesplňujete předpoklady plain-vanilla regrese a analýzy rozptylu (ANOVA). Tyto techniky jsou spíše příchutí ANOVA. Analýza přežití je takzvané modelování doby do události, jako je odhadování doby do smrti po diagnóze.

Modul Vlastní tabulky

Modul Custom Tables je již léta nejoblíbenějším modulem, a to z dobrého důvodu. Pokud potřebujete do reportu vtěsnat hodně informací, potřebujete tento modul. Pokud například provádíte průzkum a chcete o celém průzkumu podávat zprávy v tabulkové formě, může vám pomoci modul Vlastní tabulky, protože vám umožňuje snadno prezentovat rozsáhlé informace.

Získejte bezplatnou zkušební kopii SPSS Statistics se všemi moduly a donuťte se strávit solidní den pomocí modulů, které nemáte. Podívejte se, zda by některý aspekt vytváření přehledů, který již děláte, nemohl být proveden rychleji pomocí modulu Vlastní tabulky. Reprodukujte nedávnou zprávu a zjistěte, kolik času můžete ušetřit.

Na následujícím obrázku vidíte jednoduchou tabulku Frekvence zobrazující dvě proměnné. Všimněte si, že kategorie pro obě proměnné jsou stejné.

Tabulka četností diskontních proměnných.

V následující tabulce jsou stejná data, ale zde byla tabulka vytvořena pomocí modulu SPSS Custom Tables a jde o mnohem lepší tabulku.

Vlastní tabulka proměnných slev.

Pokud vyrábíte stůl pro sebe, na prezentaci nemusí záležet. Pokud ale tabulku vkládáte do sestavy, která bude zaslána ostatním, potřebujete modul SPSS Custom Tables. Mimochodem, s praxí zabere vytvoření vlastní verze jen pár sekund a můžete použít Syntaxe k dalšímu přizpůsobení tabulky!

Počínaje verzí 27 je modul Vlastní tabulky součástí standardní edice.

Regresní modul

Níže je uveden seznam statistických technik, které jsou součástí modulu Regrese:

• Multinomická a binární logistická regrese
• Nelineární regrese (NLR) a omezená nelineární regrese (CNLR)
• Vážená regrese nejmenších čtverců a dvoustupňová regrese nejmenších čtverců
• Probitová analýza

V některých ohledech je modul Regrese jako modul Pokročilá statistika – tyto techniky používáte, když nesplňujete standardní předpoklady. S modulem Regrese jsou však techniky luxusními variantami regrese, kdy nemůžete provádět běžnou regresi nejmenších čtverců. Binární logistická regrese je oblíbená a používá se, když má závislá proměnná dvě kategorie – například zůstat nebo jít (smíchat), koupit nebo nekoupit nebo onemocnět nebo nedostat nemoc.

Modul Kategorie

Modul Kategorie vám umožňuje odhalit vztahy mezi vašimi kategorickými daty. Abychom vám pomohli porozumět vašim datům, modul Kategorie používá percepční mapování, optimální škálování, škálování preferencí a redukci dimenzí. Pomocí těchto technik můžete vizuálně interpretovat vztahy mezi řádky a sloupci.

Modul Kategorie provádí svou analýzu na ordinálních a nominálních datech. Používá postupy podobné konvenční regresi, hlavní komponenty a kanonické korelace. Provádí regresi pomocí nominálních nebo ordinálních kategorických prediktorových nebo výsledných proměnných.

Procedury modulu Categories umožňují provádět statistické operace s kategorickými údaji:

• Pomocí procedur škálování můžete kategorickým datům přiřadit jednotky měření a nulové body, což vám poskytuje přístup k novým skupinám statistických funkcí, protože můžete analyzovat proměnné pomocí smíšených úrovní měření.
• Pomocí korespondenční analýzy můžete číselně vyhodnotit podobnosti mezi nominálními proměnnými a shrnout svá data podle komponent, které vyberete.
• Pomocí nelineární kanonické korelační analýzy můžete shromažďovat proměnné různých úrovní měření do vlastních sad a pak tyto sady analyzovat.

Tento modul můžete použít k vytvoření několika užitečných nástrojů:

• Percepční mapa: Souhrnný graf s vysokým rozlišením, který slouží jako grafické zobrazení podobných proměnných nebo kategorií. Vnímací mapa vám poskytuje pohled na vztahy mezi více než dvěma kategorickými proměnnými.
• Biplot: Souhrnný graf, který umožňuje podívat se na vztahy mezi produkty, zákazníky a demografickými charakteristikami.

Modul Příprava dat

Přiznejme si to: Příprava dat není žádná legrace. Vezmeme veškerou pomoc, kterou můžeme získat. Žádný modul neodstraní veškerou práci člověka v tomto partnerství člověka a počítače, ale modul Příprava dat odstraní některé rutinní, předvídatelné aspekty.

Tento modul vám pomůže zpracovat řádky a sloupce dat. U řádků dat vám pomůže identifikovat odlehlé hodnoty, které by mohly zkreslit vaše data. Pokud jde o proměnné, pomůže vám identifikovat ty nejlepší a dá vám vědět, že některé byste mohli zlepšit jejich transformací. Umožňuje vám také vytvořit speciální ověřovací pravidla pro urychlení kontroly dat a vyhnout se mnoha ruční práci. Nakonec vám pomůže identifikovat vzory v chybějících datech.

Počínaje verzí 27 jsou moduly Příprava dat a Bootstrapping součástí základní edice.

Modul Rozhodovací stromy

Rozhodovací stromy jsou zdaleka nejoblíbenější a nejznámější technikou dolování dat. Ve skutečnosti jsou tomuto přístupu věnovány celé softwarové produkty. Pokud si nejste jisti, zda potřebujete dolování dat, ale chcete si to vyzkoušet, použití modulu Rozhodovací stromy by bylo jedním z nejlepších způsobů, jak se pokusit o dolování dat, protože se již v SPSS Statistics orientujete. Modul Rozhodovací stromy nemá všechny funkce rozhodovacích stromů v SPSS Modeler (celý softwarový balík věnovaný dolování dat), ale je zde spousta věcí, které vám pomohou začít.

Co jsou rozhodovací stromy? Myšlenka je taková, že máte něco, co chcete předpovědět (cílovou proměnnou) a spoustu proměnných, které by vám s tím mohly pomoci, ale nevíte, které jsou nejdůležitější. SPSS ukazuje, které proměnné jsou nejdůležitější a jak proměnné interagují, a pomůže vám předpovědět cílovou proměnnou v budoucnu.

SPSS podporuje čtyři z nejpopulárnějších algoritmů rozhodovacího stromu: CHAID, Exhaustive CHAID, C&RT a QUEST.

Modul Prognóza

Modul Forecasting můžete použít k rychlému vytváření odborných předpovědí časových řad. Tento modul obsahuje statistické algoritmy pro analýzu historických dat a předpovídání trendů. Můžete jej nastavit tak, aby analyzoval stovky různých časových řad najednou, místo abyste pro každou spouštěli samostatnou proceduru.

Software je navržen tak, aby zvládal speciální situace, které vznikají při analýze trendů. Automaticky určí nejvhodnější autoregresivní integrovaný klouzavý průměr (ARIMA) nebo model exponenciálního vyhlazování. Automaticky testuje data na sezónnost, přerušovanost a chybějící hodnoty. Software detekuje odlehlé hodnoty a zabraňuje jim v nepatřičném ovlivňování výsledků. Vygenerované grafy zahrnují intervaly spolehlivosti a indikují dobrou shodu modelu.

Jak získáváte zkušenosti s prognózováním, modul Forecasting vám poskytuje větší kontrolu nad každým parametrem při vytváření datového modelu. Můžete použít expertního modeláře v modulu Forecasting k doporučení výchozích bodů nebo ke kontrole výpočtů, které jste provedli ručně.

Algoritmus zvaný Temporal Causal Modeling (TCM) se navíc pokouší objevit klíčové kauzální vztahy v datech časových řad tím, že zahrnuje pouze vstupy, které mají kauzální vztah s cílem. To se liší od tradičního modelování časových řad, kde musíte explicitně specifikovat prediktory pro cílovou řadu.

Modul Chybějící hodnoty

Zdá se, že modul Příprava dat obsahuje chybějící hodnoty, ale modul Chybějící hodnoty a modul Příprava dat jsou zcela odlišné. Modul Příprava dat je o hledání chyb v datech; jeho ověřovací pravidla vám řeknou, zda datový bod prostě není správný. Modul Missing Values ​​je naproti tomu zaměřen na situaci, kdy neexistuje žádná datová hodnota. Pokouší se odhadnout chybějící část informace pomocí jiných dat, která máte. Tento proces se nazývá imputace nebo nahrazení hodnot kvalifikovaným odhadem. Z modulu Missing Values ​​mohou těžit všichni těžaři dat, statistikové a výzkumní pracovníci – zejména výzkumní pracovníci.

Modul Bootstrapping

Vydržte, protože budeme trochu technicky. Bootstrapping je technika, která zahrnuje převzorkování s výměnou. Modul Bootstrapping náhodně vybere případ, udělá si o něm poznámky, nahradí jej a vybere jiný. Tímto způsobem je možné vybrat pouzdro vícekrát nebo vůbec. Čistým výsledkem je další verze vašich dat, která je podobná, ale ne identická. Pokud to uděláte 1000krát (výchozí nastavení), můžete skutečně dělat některé výkonné věci.

Modul Bootstrapping vám umožňuje vytvářet stabilnější modely překonáním vlivu odlehlých hodnot a dalších problémů ve vašich datech. Tradiční statistika předpokládá, že vaše data mají určité rozložení, ale tato technika se tomuto předpokladu vyhýbá. Výsledkem je přesnější představa o tom, co se v populaci děje. Bootstrapping je v jistém smyslu jednoduchý nápad, ale protože bootstrapping vyžaduje hodně výkonu počítače, je nyní populárnější, než když byly počítače pomalejší.

Bootstrapping je oblíbená technika i mimo SPSS, takže o tomto konceptu můžete najít články na webu. Modul Bootstrapping vám umožňuje aplikovat tento výkonný koncept na vaše data v SPSS Statistics.

Modul Komplexní vzorky

Vzorkování je velkou součástí statistik. Jednoduchý náhodný výběr , je to, co obvykle považujeme za vzorek - jako výběrem jména z klobouku. Klobouk je vaše populace a útržky papíru, které si vyberete, patří do vašeho vzorku. Každý proužek papíru má stejnou šanci, že bude vybrán. Výzkum je často složitější. Modul Complex Sample je o složitějších formách vzorkování: dvoustupňové, stratifikované a tak dále.

Nejčastěji tento modul potřebují výzkumní pracovníci, i když z něj může mít prospěch i mnoho druhů experimentálních výzkumníků. Moduly Complex Samples vám pomohou navrhnout shromažďování dat a poté zohlední návrh při výpočtu vašich statistik. Téměř všechny statistiky v SPSS jsou počítány s předpokladem, že data jsou jednoduchým náhodným vzorkem. Vaše výpočty mohou být zkreslené, pokud tento předpoklad není splněn.

Modul Conjoint

Modul Conjoint vám poskytuje způsob, jak určit, jak každý z atributů vašeho produktu ovlivňuje preference spotřebitelů. Když spojíte společnou analýzu s průzkumem konkurenčních produktů, je snazší zaměřit se na vlastnosti produktu, které jsou důležité pro vaše zákazníky.

Pomocí tohoto průzkumu můžete určit, které atributy produktů vaše zákazníky zajímají, které je zajímají nejvíce a jak můžete provádět užitečné studie cen a hodnoty značky. A to vše můžete udělat, než vám vzniknou náklady na uvádění nových produktů na trh.

Modul Přímý marketing

Modul Direct Marketing se od ostatních trochu liší. Je to balík souvisejících funkcí v kouzelnickém prostředí. Modul je navržen tak, aby byl pro obchodníky na jednom místě. Hlavními rysy jsou analýza aktuálnosti, frekvence a měnové (RFM), shluková analýza a profilování:

• Analýza RFM: Analýza RFM vám podává zprávu o tom, jak nedávno, jak často a kolik vaši zákazníci utratili za vaši firmu. Zákazníci, kteří jsou aktuálně aktivní, hodně utrácejí a často utrácejí, jsou samozřejmě vašimi nejlepšími zákazníky.
• Clusterová analýza: Clusterová analýza je způsob, jak segmentovat zákazníky do různých zákaznických segmentů. Tento přístup obvykle používáte k přiřazování různých marketingových kampaní různým zákazníkům. Například výletní společnost může vyzkoušet různé obaly na cestovním katalogu vydávaném zákazníkům, přičemž dobrodružné typy dostanou na obálce Aljašku nebo Norsko a dav deštníků s nápoji dostane obrázky Karibiku.
• Profilování: Profilování vám pomůže zjistit, které charakteristiky zákazníků jsou spojeny s konkrétními výsledky. Tímto způsobem můžete vypočítat propensity score, že konkrétní zákazník zareaguje na konkrétní kampaň. Prakticky všechny tyto funkce lze nalézt v jiných oblastech SPSS, ale kouzelnické prostředí modulu Direct Marketing usnadňuje marketingovým analytikům produkovat užitečné výsledky, když nemají rozsáhlé školení ve statistikách za těmito technikami.

Modul Přesné testy

Modul Exact Tests umožňuje být přesnější ve vaší analýze malých datových sad a datových sad, které obsahují vzácné výskyty. Poskytuje vám nástroje, které potřebujete k analýze takových datových podmínek s větší přesností, než by bylo jinak možné.

Pokud je k dispozici pouze malá velikost vzorku, můžete použít modul Přesné testy k analýze menšího vzorku a získat tak větší důvěru ve výsledky. Zde je myšlenkou provést více analýz v kratším časovém období. Tento modul vám umožňuje provádět různé průzkumy, spíše než trávit čas shromažďováním vzorků za účelem rozšíření základny průzkumů.

Procesy, které používáte, a formy výsledků jsou stejné jako v základním systému SPSS, ale interní algoritmy jsou vyladěny pro práci s menšími datovými sadami. Modul Exact Tests poskytuje více než 30 testů pokrývajících všechny neparametrické a kategorické testy, které běžně používáte pro větší datové sady. Zahrnuty jsou jednovýběrové, dvouvýběrové a k-výběrové testy s nezávislými nebo souvisejícími vzorky, testy dobré shody, testy nezávislosti a míry asociace.

Modul Neuronové sítě

Neuronová síť je latticelike síť neuronlike uzlů, která byla zřízena v rámci SPSS jednat něco podobného neuronů v živém mozku. Spojení mezi těmito uzly mají přiřazené váhy (stupně relativního účinku), které jsou nastavitelné. Když upravíte váhu připojení, síť se prý naučí.

V modulu Neuronová síť cvičný algoritmus iterativně upravuje váhy tak, aby co nejvíce odpovídaly skutečným vztahům mezi daty. Cílem je minimalizovat chyby a maximalizovat přesné předpovědi. Výpočetní neuronová síť má jednu vrstvu neuronů pro vstupy a druhou pro výstupy s jednou nebo více skrytými vrstvami mezi nimi. Neuronová síť může být použita s dalšími statistickými postupy, které poskytují jasnější náhled.

Pomocí známého rozhraní SPSS můžete těžit ze svých dat vztahy. Po výběru procedury určíte závislé proměnné, které mohou být libovolnou kombinací spojitých a kategoriálních typů. Chcete-li se připravit na zpracování, rozložíte architekturu neuronové sítě včetně výpočetních zdrojů, které chcete použít. Chcete-li dokončit přípravu, vyberte si, co dělat s výstupem:

• Výsledky uveďte do tabulek.
• Graficky zobrazte výsledky v grafech.
• Umístěte výsledky do dočasných proměnných v datové sadě.
• Exportujte modely do souborů ve formátu XML.