Moduulit, joita voit lisätä SPSS:ään

IBM SPSS Statistics toimitetaan perusjärjestelmän muodossa, mutta voit hankkia lisämoduuleja lisättäväksi kyseiseen järjestelmään. SPSS on saatavilla useissa lisenssiversioissa : kampusversioissa, tilaussuunnitelmissa ja kaupallisissa versioissa. Vaikka hinnat ja erilaiset paketit vaihtelevat jokaisen kohdalla, ne mahdollistavat samat lisämoduulit.

Jos käytät kopiota SPSS:stä työpaikalla tai yliopiston ympäristössä, jonka joku muu on asentanut, sinulla saattaa olla joitain näistä lisäosista huomaamattasi, koska useimmat ovat niin täysin integroituja valikoihin, että ne näyttävät oleellisilta osilta perusjärjestelmä. Jos huomaat, että valikosi ovat lyhyempiä tai pidempiä kuin jonkun muun SPSS-kopio, tämä johtuu todennäköisesti lisämoduuleista.

Jotkut lisäosat eivät ehkä kiinnosta sinua. kun taas toisista voi tulla välttämättömiä. Huomaa, että jos sinulla on kokeiluversio SPSS:stä, siinä on todennäköisesti kaikki moduulit, mukaan lukien ne, joihin saatat menettää pääsyn hankkiessasi oman kopion. Tässä artikkelissa esitellään moduuleita, jotka voidaan lisätä SPSS:ään ja mitä ne tekevät. Katso täydellinen opetusohjelma kunkin moduulin mukana toimitetusta dokumentaatiosta.

Tulet todennäköisesti törmäämään nimiin IBM SPSS Amos ja IBM SPSS Modeler . Vaikka SPSS esiintyy nimissä, ostat nämä ohjelmat erikseen, et lisäosina. Amosia käytetään rakenneyhtälöiden mallintamiseen (SEM) ja SPSS Modeler on ennakoiva analytiikan ja koneoppimisen työpöytä.

Tilastot-moduuli

Seuraavassa on luettelo tilastotekniikoista, jotka ovat osa Advanced Statistics -moduulia:

• Yleiset lineaariset mallit (GLM)
• Yleistetyt lineaariset mallit (GENLIN)
• Lineaariset sekamallit
• Yleistetyt estimointiyhtälöt (GEE) -menettelyt
• Yleistetyt lineaariset sekamallit (GLMM)
• Selviytymisanalyysimenettelyt

Vaikka nämä menettelyt ovat SPSS:n edistyneimpiä, jotkut ovat melko suosittuja. Esimerkiksi lineaarisiin sekamalleihin kuuluva hierarkkinen lineaarinen mallinnus (HLM) on yleistä kasvatustutkimuksessa. HLM-mallit ovat tilastollisia malleja, joissa parametrit vaihtelevat useammalla kuin yhdellä tasolla. Sinulla voi esimerkiksi olla tietoa, joka sisältää tietoa sekä opiskelijoille että kouluille, ja HLM-mallissa voit sisällyttää tietoja samanaikaisesti molemmilta tasoilta.

Keskeinen asia on, että tämä edistynyt tilastollinen moduuli sisältää erikoistekniikoita, joita sinun on käytettävä, jos et täytä tavanomaisen vaniljaregression ja varianssianalyysin (ANOVA) oletuksia. Nämä tekniikat ovat enemmän ANOVA-makua. Eloonjäämisanalyysi on ns. time-to-event -mallinnusta, kuten kuolemaan kuluvan ajan arviointi diagnoosin jälkeen.

Mukautetut taulukot -moduuli

Custom Tables -moduuli on ollut suosituin moduuli vuosia, ja hyvästä syystä. Jos haluat puristaa raporttiin paljon tietoa, tarvitset tämän moduulin. Jos esimerkiksi teet kyselytutkimusta ja haluat raportoida koko kyselystä taulukkomuodossa, Mukautetut taulukot -moduuli voi tulla apuusi, koska sen avulla voit helposti esittää laajaa tietoa.

Hanki ilmainen kokeiluversio SPSS Statisticsista, jossa on kaikki moduulit, ja pakota itsesi viettämään kiinteä päivä käyttämällä moduuleita, joita sinulla ei ole. Katso, voisiko jokin jo tekemäsi raportoinnin osa tehdä nopeammin mukautetut taulukot -moduulin avulla. Toista tuore raportti ja katso, kuinka paljon aikaa saatat säästää.

Seuraavassa kuvassa näet yksinkertaisen Frequency-taulukon, jossa on kaksi muuttujaa. Huomaa, että molempien muuttujien luokat ovat samat.

Alennusmuuttujien taajuustaulukko.

Seuraavassa taulukossa on samat tiedot, mutta tässä taulukko luotiin SPSS Custom Tables -moduulilla ja on paljon parempi taulukko.

Mukautettu alennusmuuttujien taulukko.

Jos valmistat pöydän itsellesi, esittelyllä ei välttämättä ole väliä. Mutta jos lisäät taulukon raporttiin, joka lähetetään muille, tarvitset SPSS Custom Tables -moduulin. Muuten, harjoittelemalla mukautetun version tekeminen kestää vain muutaman sekunnin, ja voit muokata taulukkoa edelleen syntaksin avulla!

Mukautetut taulukot -moduuli on osa vakioversiota versiosta 27 alkaen.

Regressiomoduuli

Seuraavassa on luettelo tilastotekniikoista, jotka ovat osa regressiomoduulia:

• Multinomi- ja binäärilogistinen regressio
• Epälineaarinen regressio (NLR) ja rajoitettu epälineaarinen regressio (CNLR)
• Painotettu pienimmän neliösumman regressio ja kaksivaiheinen pienimmän neliösumman regressio
• Probit-analyysi

Jollain tapaa Regressio-moduuli on kuin Advanced Statistics -moduuli – käytät näitä tekniikoita, kun et täytä vakiooletuksia. Regressiomoduulin tekniikat ovat kuitenkin hienoja muunnelmia regressiosta, kun et voi tehdä tavallista pienimmän neliösumman regressiota. Binaarilogistinen regressio on suosittu ja sitä käytetään, kun riippuvaisella muuttujalla on kaksi luokkaa – esimerkiksi pysy tai mene (churn), osta tai älä osta tai sairastu tai älä sairastu.

Kategoriat-moduuli

Kategoriat-moduulin avulla voit paljastaa suhteita kategoristen tietojesi välillä. Auttaakseen sinua ymmärtämään tietojasi Kategoriat-moduuli käyttää havaintokartoitusta, optimaalista skaalausta, mieltymysten skaalausta ja ulottuvuuden pienentämistä. Näitä tekniikoita käyttämällä voit tulkita visuaalisesti rivien ja sarakkeiden välisiä suhteita.

Kategoriat-moduuli suorittaa analyysinsä järjestys- ja nimellistiedoilla. Se käyttää menetelmiä, jotka ovat samankaltaisia ​​kuin perinteinen regressio, pääkomponentit ja kanoninen korrelaatio. Se suorittaa regression käyttämällä nimellisiä tai ordinaalisia kategorisia ennustaja- tai tulosmuuttujia.

Kategoriat-moduulin menettelyt mahdollistavat tilastollisten operaatioiden suorittamisen kategoriallisille tiedoille:

• Skaalausmenetelmien avulla voit määrittää mittayksiköitä ja nollapisteitä kategorisille tiedoillesi, jolloin pääset käsiksi uusiin tilastofunktioryhmiin, koska voit analysoida muuttujia käyttämällä eri mittaustasoja.
• Vastaavuusanalyysin avulla voit arvioida numeerisesti nimellisten muuttujien samankaltaisuuksia ja tehdä yhteenvedon tiedoistasi valitsemiesi komponenttien mukaan.
• Epälineaarisen kanonisen korrelaatioanalyysin avulla voit kerätä eri mittaustasojen muuttujat omiksi ryhmiksi ja analysoida sitten joukot.

Tämän moduulin avulla voit tuottaa pari hyödyllistä työkalua:

• Havaintokartta: Korkearesoluutioinen yhteenvetokaavio, joka toimii graafisena näyttönä samanlaisista muuttujista tai luokista. Havaintokartta antaa sinulle näkemyksiä useamman kuin kahden kategorisen muuttujan välisistä suhteista.
• Biplot: Yhteenvetokaavio, jonka avulla on mahdollista tarkastella tuotteiden, asiakkaiden ja demografisten ominaisuuksien välisiä suhteita.

Tietojen valmistelu -moduuli

Todettakoon: tietojen valmistelu ei ole hauskaa. Otamme kaiken avun vastaan. Mikään moduuli ei poista kaikkea työtä ihmiseltä tässä ihmisen ja tietokoneen välisessä kumppanuudessa, mutta tietojen valmistelumoduuli eliminoi joitain rutiininomaisia, ennakoitavissa olevia näkökohtia.

Tämä moduuli auttaa sinua käsittelemään tietorivejä ja sarakkeita. Tietorivien osalta se auttaa tunnistamaan poikkeamat, jotka voivat vääristää tietojasi. Mitä tulee muuttujiin, se auttaa sinua tunnistamaan parhaat ja kertoo, että voit parantaa joitain muuttamalla niitä. Sen avulla voit myös luoda erityisiä vahvistussääntöjä nopeuttaaksesi tietojen tarkastuksia ja välttääksesi paljon manuaalista työtä. Lopuksi se auttaa sinua tunnistamaan kuvioita puuttuvista tiedoistasi.

Versiosta 27 alkaen Data Preparation- ja Bootstrapping-moduulit ovat osa perusversiota.

Päätöspuut -moduuli

Päätöspuut ovat ylivoimaisesti suosituin ja tunnetuin tiedonlouhintatekniikka. Itse asiassa kokonaiset ohjelmistotuotteet on omistettu tälle lähestymistavalle. Jos et ole varma, tarvitseeko tiedon louhintaa, mutta haluat kokeilla sitä, päätöspuut-moduulin käyttäminen olisi yksi parhaista tavoista yrittää tiedon louhintaa, koska tiedät jo SPSS Statisticsin käyttötapasi. Päätöspuut -moduulissa ei ole kaikkia SPSS Modelerin (kokonainen tiedon louhintaan omistettu ohjelmistopaketti) päätöspuiden ominaisuuksia, mutta täällä on paljon hyvää alkuun.

Mitä päätöspuut ovat? Ajatuksena on, että sinulla on jotain, mitä haluat ennustaa (kohdemuuttuja) ja paljon muuttujia, jotka voivat auttaa sinua tekemään sen, mutta et tiedä, mitkä niistä ovat tärkeimpiä. SPSS osoittaa, mitkä muuttujat ovat tärkeimpiä ja miten muuttujat toimivat vuorovaikutuksessa, ja auttaa sinua ennustamaan kohdemuuttujan tulevaisuudessa.

SPSS tukee neljää suosituinta päätöspuualgoritmia: CHAID, Exhaustive CHAID, C&RT ja QUEST.

Ennustemoduuli

Ennuste-moduulin avulla voit rakentaa nopeasti asiantuntija-aikasarjaennusteita. Tämä moduuli sisältää tilastollisia algoritmeja historiallisten tietojen analysointiin ja trendien ennustamiseen. Voit määrittää sen analysoimaan satoja eri aikasarjoja kerralla sen sijaan, että suorittaisit jokaiselle erillisen menettelyn.

Ohjelmisto on suunniteltu käsittelemään trendianalyysissä esiin tulevia erityistilanteita. Se määrittää automaattisesti parhaiten sopivan autoregressiivisen integroidun liukuvan keskiarvon (ARIMA) tai eksponentiaalisen tasoitusmallin. Se testaa automaattisesti dataa kausiluonteisuuden, jaksottaisuuden ja puuttuvien arvojen varalta. Ohjelmisto havaitsee poikkeamat ja estää niitä vaikuttamasta tarpeettomasti tuloksiin. Luodut kaaviot sisältävät luottamusvälit ja osoittavat mallin sopivuuden.

Kun saat kokemusta ennustamisesta, Ennustaminen-moduuli antaa sinulle paremman hallinnan jokaiseen parametriin, kun rakennat tietomalliasi. Voit käyttää Ennuste-moduulin asiantuntijamallintajaa suositellaksesi lähtökohtia tai tarkistaaksesi käsin tekemiäsi laskelmia.

Lisäksi Temporal Causal Modeling (TCM) -niminen algoritmi yrittää löytää keskeisiä syy-suhteita aikasarjatiedoissa sisällyttämällä vain syötteet, joilla on syy-yhteys kohteeseen. Tämä eroaa perinteisestä aikasarjamallintamisesta, jossa sinun on määritettävä kohdesarjan ennustajat erikseen.

Puuttuvat arvot -moduuli

Tietojen valmistelu -moduuli näyttää sisältävän puuttuvia arvoja, mutta puuttuvat arvot -moduuli ja tietojen valmistelu -moduuli ovat melko erilaisia. Tietojen valmistelu -moduuli on tietovirheiden etsimisestä; sen validointisäännöt kertovat, onko tietopiste vain väärä. Puuttuvat arvot -moduuli puolestaan ​​keskittyy siihen, kun data-arvoa ei ole. Se yrittää arvioida puuttuvan tiedon muiden käytettävissä olevien tietojen perusteella. Tätä prosessia kutsutaan imputaatioksi tai arvojen korvaamiseksi valistuneella arvauksella. Kaikenlaiset tiedon louhinnat, tilastotieteilijät ja tutkijat – erityisesti kyselytutkijat – voivat hyötyä Missing Values ​​-moduulista.

Bootstrapping-moduuli

Odota tiukasti, koska tulemme hieman tekniseksi. Bootstrapping on tekniikka, joka sisältää uudelleennäytteenoton ja korvaamisen. Bootstrapping-moduuli valitsee tapauksen satunnaisesti, tekee siitä muistiinpanoja, korvaa sen ja valitsee toisen. Tällä tavalla on mahdollista valita tapaus useammin kuin kerran tai ei ollenkaan. Nettotulos on toinen versio tiedoistasi, joka on samanlainen, mutta ei identtinen. Jos teet tämän 1000 kertaa (oletus), voit todellakin tehdä joitain tehokkaita asioita.

Bootstrapping-moduulin avulla voit rakentaa vakaampia malleja poistamalla poikkeamien ja muiden tietojen vaikutukset. Perinteiset tilastot olettavat, että tiedoillasi on tietty jakautuma, mutta tämä tekniikka välttää tämän oletuksen. Tuloksena on tarkempi käsitys siitä, mitä väestössä tapahtuu. Bootstrapping on tietyssä mielessä yksinkertainen idea, mutta koska käynnistys vaatii paljon tietokoneen hevosvoimia, se on nykyään suositumpi kuin silloin, kun tietokoneet olivat hitaampia.

Bootstrapping on suosittu tekniikka myös SPSS:n ulkopuolella, joten löydät verkosta artikkeleita konseptista. Bootstrapping-moduulin avulla voit soveltaa tätä tehokasta konseptia tietoihisi SPSS Statisticsissa.

Monimutkaiset näytteet -moduuli

Otanta on suuri osa tilastoja. Yksinkertainen satunnaisotos me yleensä ajattelemme näytteenä - valita esimerkiksi nimiä hatusta. Hattu on populaatiosi, ja valitsemasi paperinpalat kuuluvat otoksesi. Jokaisella paperilapulla on yhtäläiset mahdollisuudet tulla valituksi. Tutkimus on usein monimutkaisempaa. Monimutkainen näytemoduuli käsittelee monimutkaisempia otannan muotoja: kaksivaiheista, kerrostettua ja niin edelleen.

Useimmiten kyselytutkijat tarvitsevat tätä moduulia, vaikka monet kokeelliset tutkijat voivat myös hyötyä siitä. Complex Samples -moduulit auttavat sinua suunnittelemaan tiedonkeruun ja ottavat suunnittelun huomioon tilastojasi laskettaessa. Lähes kaikki SPSS:n tilastot lasketaan olettaen, että data on yksinkertainen satunnaisotos. Laskelmasi voivat vääristyä, jos tämä oletus ei täyty.

Conjoint-moduuli

Conjoint-moduuli tarjoaa tavan määrittää, kuinka kukin tuotteesi ominaisuus vaikuttaa kuluttajien mieltymyksiin. Kun yhdistät yhteisanalyysin kilpailevien markkinoiden tuotetutkimukseen, on helpompi nollata asiakkaillesi tärkeitä tuotteen ominaisuuksia.

Tämän tutkimuksen avulla voit määrittää, mitkä tuotteen attribuutit asiakkaasi välittävät, mitkä he välittävät eniten, ja kuinka voit tehdä hyödyllisiä hinnoittelua ja tuotemerkkiarvoa koskevia tutkimuksia. Ja voit tehdä kaiken tämän ennen kuin joudut maksamaan uusien tuotteiden tuomisesta markkinoille.

Suoramarkkinointimoduuli

Suoramarkkinointimoduuli on hieman erilainen kuin muut. Se on joukko toisiinsa liittyviä ominaisuuksia ohjatussa ympäristössä. Moduuli on suunniteltu tarjoamaan yhden luukun markkinoijille. Tärkeimmät ominaisuudet ovat äskettäisyys-, toistuvuus- ja raha-analyysi (RFM), klusterianalyysi ja profilointi:

• RFM-analyysi: RFM-analyysi raportoi sinulle, kuinka äskettäin, kuinka usein ja kuinka paljon asiakkaasi ovat käyttäneet yritykseesi. Ilmeisesti asiakkaat, jotka ovat tällä hetkellä aktiivisia, kuluttavat paljon ja kuluttavat usein, ovat parhaita asiakkaitasi.
• Klusterianalyysi: Klusterianalyysi on tapa segmentoida asiakkaasi eri asiakassegmentteihin. Yleensä käytät tätä lähestymistapaa sovittaaksesi eri markkinointikampanjoita eri asiakkaille. Esimerkiksi risteilyyhtiö voi kokeilla erilaisia ​​kansia matkaluettelosta, joka menee asiakkaille, kun seikkailunhaluiset tyypit saavat kannelle Alaskan tai Norjan ja sateenvarjojuomajoukot saavat kuvia Karibiasta.
• Profilointi: Profiloinnin avulla näet, mitkä asiakkaan ominaisuudet liittyvät tiettyihin tuloksiin. Tällä tavalla voit laskea taipumuspistemäärän, jonka tietty asiakas vastaa tiettyyn kampanjaan. Käytännössä kaikki nämä ominaisuudet löytyvät muilta SPSS:n osa-alueilta, mutta suoramarkkinointimoduulin ohjatun ympäristön ansiosta markkinointianalyytikot voivat helposti tuottaa hyödyllisiä tuloksia, kun heillä ei ole laajaa koulutusta tekniikoiden taustalla olevista tilastoista.

Tarkat testit -moduuli

Tarkat testit -moduulin avulla voit analysoida tarkempia pieniä ja harvinaisia ​​esiintymiä sisältäviä tietojoukkoja. Se antaa sinulle työkalut, joita tarvitset tällaisten tietoolosuhteiden analysointiin tarkemmin kuin muuten olisi mahdollista.

Kun käytettävissä on vain pieni näytekoko, voit käyttää Tarkat testit -moduulia analysoimaan pienemmän näytteen ja luottamaan tuloksiin. Tässä ajatuksena on tehdä enemmän analyyseja lyhyemmässä ajassa. Tämän moduulin avulla voit suorittaa erilaisia ​​tutkimuksia sen sijaan, että vietät aikaa näytteiden keräämiseen kyselypohjasi laajentamiseksi.

Käyttämäsi prosessit ja tulosten muodot ovat samat kuin SPSS-perusjärjestelmässä, mutta sisäiset algoritmit on viritetty toimimaan pienempien tietojoukkojen kanssa. Tarkat testit -moduuli tarjoaa yli 30 testiä, jotka kattavat kaikki ei-parametriset ja kategoriset testit, joita tavallisesti käytät suuremmille tietojoukoille. Mukana ovat yhden otoksen, kahden otoksen ja k-näytteen testit riippumattomilla tai toisiinsa liittyvillä näytteillä, sopivuustestit, riippumattomuustestit ja assosiaatiomitat.

Neuraaliverkot-moduuli

Hermo net on latticelike verkosto neuronlike solmuja, perustettu SPSS toimimaan jotain neuronien elävissä aivoissa. Näiden solmujen välisillä yhteyksillä on painot (suhteellisen vaikutuksen asteet), jotka ovat säädettävissä. Kun säädät yhteyden painoa, verkon sanotaan oppivan.

Neuraaliverkkomoduulissa harjoitusalgoritmi säätää painoja iteratiivisesti vastaamaan tarkasti datan todellisia suhteita. Ajatuksena on minimoida virheet ja maksimoida tarkat ennusteet. Laskennallisessa hermoverkossa on yksi kerros neuroneja tuloille ja toinen lähdöille, joiden välissä on yksi tai useampi piilotettu kerros. Hermoverkkoa voidaan käyttää muiden tilastollisten toimenpiteiden kanssa selkeämmän käsityksen saamiseksi.

Tutun SPSS-käyttöliittymän avulla voit louhia tietojasi suhteita varten. Proseduurin valinnan jälkeen määrität riippuvat muuttujat, jotka voivat olla mikä tahansa jatkuvien ja kategoristen tyyppien yhdistelmä. Valmistellaksesi käsittelyä, asetat hermoverkkoarkkitehtuurin, mukaan lukien laskennalliset resurssit, joita haluat käyttää. Valmistelun viimeistelemiseksi valitset, mitä teet tuloksella:

• Listaa tulokset taulukoihin.
• Näytä tulokset graafisesti kaavioissa.
• Sijoita tulokset tietojoukon väliaikaisiin muuttujiin.
• Vie mallit XML-muotoiltuina tiedostoina.