Moodulid, mida saate SPSS-i lisada

IBM SPSS Statistics on põhisüsteemi kujul, kuid saate hankida täiendavaid mooduleid, mida süsteemi lisada. SPSS on saadaval erinevates litsentsimisväljaannetes : ülikoolilinnaku väljaanded, tellimusplaanid ja kommertsväljaanded. Kuigi hinnakujundus ja erinevad komplektid on igaühe puhul erinevad, võimaldavad need kõik kaasata samu lisamooduleid.

Kui kasutate SPSS-i koopiat tööl või ülikoolis, mille on installinud keegi teine, võib teil olla mõni neist lisandmoodulitest, ilma et oleksite seda arugi saanud, kuna enamik neist on nii täielikult menüüdesse integreeritud, et näevad välja nagu programmi lahutamatud osad. baassüsteem. Kui märkate, et teie menüüd on lühemad või pikemad kui kellegi teise SPSS-i koopia, on see tõenäoliselt tingitud lisamoodulitest.

Mõned lisandmoodulid ei pruugi teile huvi pakkuda; samas kui teised võivad muutuda hädavajalikuks. Pange tähele, et kui teil on SPSS-i proovikoopia, on sellel tõenäoliselt kõik moodulid, sealhulgas need, millele võite oma koopia hankimisel juurdepääsu kaotada. See artikkel tutvustab teile mooduleid, mida saab SPSS-i lisada ja mida need teevad; täieliku õpetuse saamiseks vaadake iga mooduliga kaasasolevat dokumentatsiooni.

Tõenäoliselt kohtate nimesid IBM SPSS Amos ja IBM SPSS Modeler . Kuigi SPSS esineb nimedes, ostate need programmid eraldi, mitte lisandmoodulitena. Amost kasutatakse struktuurivõrrandi modelleerimiseks (SEM) ja SPSS Modeler on ennustav analüütika ja masinõppe töölaud.

Täpsem statistika moodul

Allpool on loetelu statistilistest tehnikatest, mis on osa täpsema statistika moodulist.

• Üldised lineaarsed mudelid (GLM)
• Üldised lineaarsed mudelid (GENLIN)
• Lineaarsed segamudelid
• Üldistatud hinnanguvõrrandite (GEE) protseduurid
• Üldised lineaarsed segamudelid (GLMM)
• Ellujäämise analüüsi protseduurid

Kuigi need protseduurid kuuluvad SPSS-i kõige arenenumate hulka, on mõned neist üsna populaarsed. Näiteks hierarhiline lineaarne modelleerimine (HLM), mis on osa lineaarsetest segamudelitest, on haridusuuringutes tavaline. HLM-mudelid on statistilised mudelid, mille parameetrid varieeruvad rohkem kui ühel tasemel. Näiteks võib teil olla andmeid, mis sisaldavad teavet nii õpilaste kui ka koolide kohta, ja HLM-i mudelis saate samaaegselt lisada teavet mõlemalt tasemelt.

Põhimõte on see, et see täiustatud statistikamoodul sisaldab spetsiaalseid tehnikaid, mida peate kasutama, kui te ei vasta tavalise vanilje regressiooni ja dispersioonanalüüsi (ANOVA) eeldustele. Need tehnikad on pigem ANOVA maitse. Ellujäämisanalüüs on nn aja-sündmuseni modelleerimine, näiteks surmani kuluva aja hindamine pärast diagnoosi.

Kohandatud tabelite moodul

Kohandatud tabelite moodul on olnud aastaid populaarseim moodul ja seda mõjuval põhjusel. Kui teil on vaja aruandesse pressida palju teavet, vajate seda moodulit. Näiteks kui teete küsitlusuuringuid ja soovite kogu küsitluse kohta aru anda tabelina, võib kohandatud tabelite moodul teile appi tulla, kuna see võimaldab teil hõlpsasti esitada ulatuslikku teavet.

Hankige SPSS Statistics tasuta prooviversioon koos kõigi moodulitega ja sundige end veetma terve päeva, kasutades mooduleid, mida teil pole. Vaadake, kas kohandatud tabelite mooduli abil saaks mõnda aruandluse aspekti kiiremini teha. Esitage hiljutine aruanne ja vaadake, kui palju aega võite säästa.

Järgmisel joonisel näete lihtsat sagedustabelit, mis kuvab kaks muutujat. Pange tähele, et mõlema muutuja kategooriad on samad.

Allahindluste muutujate sageduste tabel.

Järgmine tabel on samad andmed, kuid siin on tabel loodud SPSS Custom Tables mooduli abil ja see on palju parem tabel.

Kohandatud allahindlusmuutujate tabel.

Kui koostate tabeli endale, ei pruugi esitus olla oluline. Kui aga lisate tabeli aruandesse, mis saadetakse teistele, vajate SPSS-i kohandatud tabelite moodulit. Muide, harjutades kulub kohandatud versiooni loomiseks vaid paar sekundit ja süntaksi abil saate tabelit veelgi kohandada!

Alates versioonist 27 on kohandatud tabelite moodul standardväljaande osa.

Regressioonimoodul

Järgmine on regressioonimooduli osaks olevate statistiliste tehnikate loend.

• Multinomaalne ja binaarne logistiline regressioon
• Mittelineaarne regressioon (NLR) ja piiratud mittelineaarne regressioon (CNLR)
• Kaalutud vähimruutude regressioon ja kaheastmeline vähimruutude regressioon
• Probiti analüüs

Mõnes mõttes sarnaneb regressioonimoodul täpsema statistika mooduliga – kasutate neid tehnikaid, kui te ei vasta standardsetele eeldustele. Regressioonimooduli tehnikad on aga regressiooni väljamõeldud variandid, kui tavalist vähimruutude regressiooni teha ei saa. Binaarne logistiline regressioon on populaarne ja seda kasutatakse siis, kui sõltuval muutujal on kaks kategooriat – näiteks jää või mine (churn), osta või mitte osta või haigestuda või mitte haigestuda.

Kategooriate moodul

Kategooriate moodul võimaldab teil näidata seoseid oma kategooriaandmete vahel. Andmete mõistmise hõlbustamiseks kasutab moodul Kategooriad tajumise kaardistamist, optimaalset skaleerimist, eelistuste skaleerimist ja mõõtmete vähendamist. Neid tehnikaid kasutades saate oma ridade ja veergude vahelisi seoseid visuaalselt tõlgendada.

Kategooriate moodul analüüsib järg- ja nimiandmeid. See kasutab tavapärase regressiooni, põhikomponentide ja kanoonilise korrelatsiooniga sarnaseid protseduure. See teostab regressiooni nominaalsete või järguliste kategooriliste ennustajate või tulemuse muutujate abil.

Kategooriate mooduli protseduurid võimaldavad teha kategooriaandmetega statistilisi toiminguid:

• Skaleerimisprotseduure kasutades saate määrata oma kategoorilistele andmetele mõõtühikud ja nullpunktid, mis annab juurdepääsu uutele statistiliste funktsioonide rühmadele, kuna saate muutujaid analüüsida segamõõtetasandite abil.
• Vastavusanalüüsi abil saate nominaalsete muutujate sarnasusi arvuliselt hinnata ja oma andmed vastavalt valitud komponentidele kokku võtta.
• Mittelineaarse kanoonilise korrelatsioonianalüüsi abil saate koguda erinevate mõõtmistasemete muutujaid eraldi komplektidesse ja seejärel komplekte analüüsida.

Selle mooduli abil saate luua paar kasulikku tööriista:

• Pertseptuaalne kaart: kõrge eraldusvõimega kokkuvõtlik diagramm, mis toimib sarnaste muutujate või kategooriate graafilise kuvana. Tajukaart annab teile ülevaate rohkem kui kahe kategoorilise muutuja suhetest.
• Biplot: kokkuvõtlik diagramm, mis võimaldab vaadata seoseid toodete, klientide ja demograafiliste omaduste vahel.

Andmete ettevalmistamise moodul

Olgem ausad: andmete ettevalmistamine pole lõbus. Kasutame kogu abi, mida saame. Ükski moodul ei kaota selles inimese ja arvuti partnerluses kogu inimese tööd, kuid andmete ettevalmistamise moodul kõrvaldab mõned rutiinsed ja prognoositavad aspektid.

See moodul aitab teil töödelda andme ridu ja veerge. Andmete ridade puhul aitab see tuvastada kõrvalekaldeid, mis võivad teie andmeid moonutada. Mis puutub muutujatesse, siis see aitab teil tuvastada parimad ja annab teile teada, et saate mõnda neist muuta, muutes neid paremaks. Samuti võimaldab see luua spetsiaalseid valideerimisreegleid, et kiirendada andmete kontrollimist ja vältida palju käsitsitööd. Lõpuks aitab see tuvastada puuduvate andmete mustreid.

Alates versioonist 27 on Data Preparation ja Bootstrapping moodulid osa baasväljaandest.

Otsustuspuude moodul

Otsustuspuud on vaieldamatult kõige populaarsem ja tuntuim andmekaevetehnika. Tegelikult on sellele lähenemisele pühendatud terved tarkvaratooted. Kui te pole kindel, kas teil on vaja andmekaeve teha, kuid soovite seda proovida, oleks otsustuspuude mooduli kasutamine üks parimaid viise andmekaeve proovimiseks, kuna teate juba SPSS Statistikaga. Otsustuspuude moodulil ei ole kõiki SPSS Modeleris (kogu andmekaevandamisele pühendatud tarkvarapakett) olevaid otsustuspuude funktsioone, kuid siin on palju võimalusi, mis annavad teile hea alguse.

Mis on otsustuspuud? Noh, idee on selles, et teil on midagi, mida soovite ennustada (sihtmuutuja) ja palju muutujaid, mis võivad teil seda aidata, kuid te ei tea, millised neist on kõige olulisemad. SPSS näitab, millised muutujad on kõige olulisemad ja kuidas muutujad omavahel suhtlevad, ning aitab teil sihtmuutujat tulevikus ennustada.

SPSS toetab nelja kõige populaarsemat otsustuspuu algoritmi: CHAID, Exhaustive CHAID, C&RT ja QUEST.

Prognoosimise moodul

Prognoosimismooduli abil saate kiiresti koostada ekspert-aegridade prognoose. See moodul sisaldab statistilisi algoritme ajalooliste andmete analüüsimiseks ja suundumuste ennustamiseks. Saate seadistada selle analüüsima sadu erinevaid aegridu korraga, selle asemel et käivitada igaühe jaoks eraldi protseduuri.

Tarkvara on loodud käsitlema trendianalüüsi käigus tekkivaid eriolukordi. See määrab automaatselt kõige paremini sobiva autoregressiivse integreeritud liikuva keskmise (ARIMA) või eksponentsiaalse silumise mudeli. See testib andmeid automaatselt hooajalisuse, katkestuse ja puuduvate väärtuste suhtes. Tarkvara tuvastab kõrvalekalded ja hoiab ära nende tulemuste liigse mõjutamise. Loodud graafikud sisaldavad usaldusvahemikke ja näitavad mudeli sobivust.

Prognoosimiskogemuse omandamisel annab prognoosimismoodul teile andmemudeli loomisel suurema kontrolli iga parameetri üle. Saate kasutada prognoosimismooduli ekspertmodellerit, et soovitada lähtepunkte või kontrollida käsitsi tehtud arvutusi.

Lisaks üritab algoritm nimega Temporal Causal Modeling (TCM) avastada aegridade andmetes peamisi põhjuslikke seoseid, kaasates ainult sisendid, millel on põhjuslik seos sihtmärgiga. See erineb traditsioonilisest aegridade modelleerimisest, mille puhul peate sihtseeria ennustajad selgesõnaliselt määrama.

Puuduvate väärtuste moodul

Tundub, et andmete ettevalmistamise moodulis puuduvad väärtused on kaetud, kuid puuduvate väärtuste moodul ja andmete ettevalmistamise moodul on üsna erinevad. Andmete ettevalmistamise moodul käsitleb andmete vigade leidmist; selle valideerimisreeglid näitavad, kas andmepunkt pole lihtsalt õige. Moodul Missing Values ​​on seevastu keskendunud sellele, kui andmeväärtust pole. See püüab hinnata puuduvat teavet, kasutades muid andmeid, mis teil on. Seda protsessi nimetatakse imputeerimiseks või väärtuste asendamiseks haritud oletusega. Missing Values ​​moodulist saavad kasu igasugused andmekaevurid, statistikud ja teadlased – eriti küsitluste uurijad.

Bootstrapping moodul

Oodake kõvasti, sest hakkame veidi tehnilist laadi. Bootstrapping on tehnika, mis hõlmab uuesti proovivõttu koos asendamisega. Bootstrappingu moodul valib juhtumi juhuslikult, teeb selle kohta märkmeid, asendab selle ja valib teise. Sel viisil on võimalik juhtumit valida rohkem kui üks kord või üldse mitte. Netotulemus on teie andmete teine ​​versioon, mis on sarnane, kuid mitte identne. Kui teete seda 1000 korda (vaikimisi), saate tõepoolest teha mõnda võimsat asja.

Bootstrapping moodul võimaldab teil luua stabiilsemaid mudeleid, ületades andmetes esinevate kõrvalekallete ja muude probleemide mõju. Traditsiooniline statistika eeldab, et teie andmetel on konkreetne jaotus, kuid see meetod väldib seda eeldust. Tulemuseks on täpsem arusaam elanikkonnas toimuvast. Bootstrapping on mõnes mõttes lihtne idee, kuid kuna alglaadimine võtab palju arvuti hobujõude, on see praegu populaarsem kui siis, kui arvutid olid aeglasemad.

Bootstrapping on populaarne tehnika ka väljaspool SPSS-i, nii et leiate selle kontseptsiooni kohta artikleid veebist. Bootstrapping moodul võimaldab teil seda võimsat kontseptsiooni SPSS Statistika andmetele rakendada.

Komplekssete proovide moodul

Valimi moodustamine on suur osa statistikast. Lihtne juhuslik me tavaliselt mõtleme näidisena - nagu valida nimed välja mütsi. Müts on teie populatsioon ja teie valitud paberitükid kuuluvad teie valimisse. Igal paberilipikul on võrdne võimalus valituks osutuda. Uurimine on sageli keerulisem. Kompleksse valimi moodul käsitleb keerulisemaid valimi võtmise vorme: kaheastmeline, stratifitseeritud ja nii edasi.

Enamasti vajavad seda moodulit uuringuuurijad, kuigi sellest võivad kasu olla ka mitmesugused eksperimentaalteadlased. Komplekssete näidiste moodulid aitavad teil andmete kogumist kujundada ja seejärel võetakse seda statistika arvutamisel arvesse. Peaaegu kogu SPSS-i statistika arvutatakse eeldusel, et andmed on lihtne juhuslik valim. Kui see eeldus ei ole täidetud, võivad teie arvutused moonduda.

Moodul Conjoint

Conjoint moodul võimaldab teil määrata, kuidas teie toote iga atribuut tarbijate eelistusi mõjutab. Kui kombineerite ühisanalüüsi konkureeriva turu toote-uuringuga, on lihtsam nullida oma klientide jaoks olulised tooteomadused.

Selle uuringu abil saate kindlaks teha, millised tooteatribuudid teie kliendid hoolivad, millised neist hoolivad kõige rohkem ning kuidas saate teha kasulikke hinnakujunduse ja brändiväärtuse uuringuid. Ja kõike seda saate teha enne, kui teete kulutusi uute toodete turule toomisel.

Otseturunduse moodul

Otseturunduse moodul on teistest veidi erinev. See on viisarditaolises keskkonnas seotud funktsioonide kogum. Moodul on mõeldud turundajate jaoks ühtseks ostuks. Peamised funktsioonid on hiljutise, sageduse ja rahalise (RFM) analüüs, klastrianalüüs ja profiilide koostamine.

• RFM-analüüs: RFM-analüüs annab teile aru, kui hiljuti, kui sageli ja kui palju teie kliendid teie ettevõttele kulutasid. Ilmselgelt on teie parimad kliendid kliendid, kes on praegu aktiivsed, kulutavad palju ja kulutavad sageli.
• Klastrianalüüs: Klastrianalüüs on viis klientide segmenteerimiseks erinevatesse kliendisegmentidesse. Tavaliselt kasutate seda lähenemisviisi erinevate turunduskampaaniate sobitamiseks erinevate klientidega. Näiteks võib kruiisifirma proovida klientideni jõudva reisikataloogi erinevaid kaaneid, kus seiklushimulised tüübid saavad kaanele Alaska või Norra ning vihmavarjujoogid saavad pilte Kariibi merest.
• Profileerimine: Profileerimine aitab teil näha, millised kliendi omadused on seotud konkreetsete tulemustega. Nii saate arvutada kalduvusskoori, mille konkreetne klient konkreetsele kampaaniale reageerib. Peaaegu kõiki neid funktsioone võib leida teistest SPSS-i valdkondadest, kuid otseturunduse mooduli viisardilaadne keskkond võimaldab turundusanalüütikutel hõlpsasti toota kasulikke tulemusi, kui neil pole tehnikate taga olevat statistikat põhjalikult.

Täpsete testide moodul

Täpsete testide moodul võimaldab olla täpsem väikeste andmekogumite ja haruldasi juhtumeid sisaldavate andmekogumite analüüsimisel. See annab teile tööriistad, mida vajate selliste andmetingimuste analüüsimiseks suurema täpsusega, kui see muidu võimalik oleks.

Kui saadaval on vaid väike valim, saate väiksema valimi analüüsimiseks kasutada täpsete testide moodulit ja olla tulemuste suhtes rohkem usaldatud. Siin on mõte teha rohkem analüüse lühema aja jooksul. See moodul võimaldab teil läbi viia erinevaid uuringuid, mitte kulutada aega valimite kogumisele, et uuringute baasi laiendada.

Kasutatavad protsessid ja tulemuste vormid on samad, mis SPSS-i põhisüsteemis, kuid sisemised algoritmid on häälestatud töötama väiksemate andmekogumitega. Täpsete testide moodul pakub rohkem kui 30 testi, mis hõlmavad kõiki mitteparameetrilisi ja kategoorilisi teste, mida tavaliselt suuremate andmekogumite jaoks kasutate. Siia kuuluvad ühe-, kahe- ja k-valimi testid sõltumatute või seotud valimitega, sobivuse testid, sõltumatuse testid ja assotsiatsioonimeetmed.

Neuraalvõrkude moodul

Närvivõrkude on latticelike võrgustik neuronlike sõlmed, luuakse SPSS tegutseda midagi neuronite elu aju. Nende sõlmede vaheliste ühenduste raskused (suhtelise efekti astmed) on reguleeritavad. Kui reguleerite ühenduse kaalu, siis väidetavalt võrk õpib.

Neuraalvõrgu moodulis kohandab treeningalgoritm raskusi iteratiivselt, et need vastaksid täpselt andmete tegelikele suhetele. Idee on minimeerida vigu ja maksimeerida täpseid ennustusi. Arvutuslikus närvivõrgus on üks neuronite kiht sisendite ja teine ​​väljundite jaoks, nende vahel on üks või mitu peidetud kihti. Närvivõrku saab selgema ülevaate saamiseks kasutada koos teiste statistiliste protseduuridega.

Kasutades tuttavat SPSS-liidest, saate oma andmeid suhete jaoks kaevandada. Pärast protseduuri valimist määrate sõltuvad muutujad, mis võivad olla pidevate ja kategooriliste tüüpide mis tahes kombinatsioon. Töötlemise ettevalmistamiseks panete paika närvivõrgu arhitektuuri, sealhulgas arvutusressursid, mida soovite rakendada. Ettevalmistuse lõpuleviimiseks valite, mida väljundiga teha:

• Loetlege tulemused tabelites.
• Kuvage tulemused graafiliselt diagrammides.
• Asetage tulemused andmestiku ajutistesse muutujatesse.
• Ekspordi mudelid XML-vormingus failidesse.