Moduli koje možete dodati SPSS-u

IBM SPSS Statistics dolazi u obliku osnovnog sustava, ali možete nabaviti dodatne module koje ćete dodati tom sustavu. SPSS je dostupan u različitim licencnim izdanjima : izdanjima kampusa, planovima pretplate i komercijalnim izdanjima. Iako se cijene i različiti paketi razlikuju za svaki, svi vam omogućuju uključivanje istih modula dodataka.

Ako koristite kopiju SPSS-a na poslu ili u sveučilišnom okruženju koje je netko drugi instalirao, možda ćete imati neke od ovih dodataka, a da toga niste svjesni jer je većina tako potpuno integrirana u izbornike da izgledaju kao sastavni dijelovi bazni sustav. Ako primijetite da su vaši izbornici kraći ili duži od nečije kopije SPSS-a, to je vjerojatno zbog dodatnih modula.

Neki dodaci vas možda ne zanimaju; dok bi drugi mogli postati neophodni. Imajte na umu da ako imate probnu kopiju SPSS-a, on vjerojatno ima sve module, uključujući one kojima biste mogli izgubiti pristup kada nabavite vlastitu kopiju. Ovaj članak vas upoznaje s modulima koji se mogu dodati SPSS-u i što oni rade; pogledajte dokumentaciju koja dolazi sa svakim modulom za potpuni vodič.

Vjerojatno ćete naići na imena IBM SPSS Amos i IBM SPSS Modeler . Iako se SPSS pojavljuje u nazivima, ove programe kupujete zasebno, a ne kao dodatke. Amos se koristi za modeliranje strukturnih jednadžbi (SEM), a SPSS Modeler je radni stol za prediktivnu analitiku i strojno učenje.

Modul napredne statistike

Slijedi popis statističkih tehnika koje su dio modula Napredne statistike:

• Opći linearni modeli (GLM)
• Generalizirani linearni modeli (GENLIN)
• Linearni mješoviti modeli
• Postupci generaliziranih jednadžbi procjene (GEE).
• Generalizirani linearni mješoviti modeli (GLMM)
• Postupci analize preživljavanja

Iako su ovi postupci među najnaprednijim u SPSS-u, neki su prilično popularni. Na primjer, hijerarhijsko linearno modeliranje (HLM), dio linearnih mješovitih modela, uobičajeno je u obrazovnom istraživanju. HLM modeli su statistički modeli u kojima parametri variraju na više od jedne razine. Na primjer, možete imati podatke koji uključuju informacije i za učenike i za škole, a u HLM model možete istovremeno uključiti informacije s obje razine.

Ključna stvar je da ovaj napredni statistički modul sadrži specijalizirane tehnike koje trebate koristiti ako ne ispunjavate pretpostavke obične regresije i analize varijance (ANOVA). Ove tehnike su više ANOVA okus. Analiza preživljavanja je takozvano modeliranje vremena do događaja, kao što je procjena vremena do smrti nakon dijagnoze.

Modul Custom Tables

Modul Custom Tables je godinama najpopularniji modul i to s dobrim razlogom. Ako trebate ugurati puno informacija u izvješće, potreban vam je ovaj modul. Na primjer, ako provodite anketno istraživanje i želite izvijestiti o cijeloj anketi u tabličnom obliku, modul Custom Tables može vam pomoći jer vam omogućuje jednostavno predstavljanje golemih informacija.

Nabavite besplatnu probnu kopiju SPSS Statistics sa svim modulima i prisilite se da provedete solidan dan koristeći module koje nemate. Provjerite može li se bilo koji aspekt izvješćivanja koji već radite brže obaviti s modulom prilagođenih tablica. Reproducirajte nedavno izvješće i pogledajte koliko biste vremena mogli uštedjeti.

Na sljedećoj slici vidite jednostavnu tablicu frekvencija koja prikazuje dvije varijable. Imajte na umu da su kategorije za obje varijable iste.

Tablica učestalosti varijabli popusta.

Sljedeća tablica je isti podatak, ali ovdje je tablica kreirana pomoću SPSS Custom Tables modula i puno je bolja tablica.

Prilagođena tablica varijabli popusta.

Ako stol izrađujete za sebe, prezentacija možda neće biti važna. Ali ako stavljate tablicu u izvješće koje će biti poslano drugima, potreban vam je SPSS modul prilagođenih tablica. Usput, uz praksu, potrebno je samo nekoliko sekundi za izradu prilagođene verzije, a možete koristiti Sintaksu za dodatno prilagođavanje tablice!

Počevši od verzije 27, modul Custom Tables dio je standardnog izdanja.

Modul regresije

Slijedi popis statističkih tehnika koje su dio modula Regresija:

• Multinomska i binarna logistička regresija
• Nelinearna regresija (NLR) i ograničena nelinearna regresija (CNLR)
• Ponderirana regresija najmanjih kvadrata i dvostupanjska regresija najmanjih kvadrata
• Probit analiza

Na neki način, modul regresije je poput modula napredne statistike — ove tehnike koristite kada ne ispunjavate standardne pretpostavke. Međutim, s modulom Regresija, tehnike su fensi varijante regresije kada ne možete napraviti običnu regresiju najmanjih kvadrata. Binarna logistička regresija je popularna i koristi se kada zavisna varijabla ima dvije kategorije - na primjer, ostati ili otići (izbaciti), kupiti ili ne kupiti, ili dobiti bolest ili ne dobiti bolest.

Modul Kategorije

Modul Kategorije omogućuje vam otkrivanje odnosa među vašim kategoričkim podacima. Kako bi vam pomogao razumjeti svoje podatke, modul Kategorije koristi perceptivno mapiranje, optimalno skaliranje, skaliranje preferencija i smanjenje dimenzija. Koristeći ove tehnike, možete vizualno protumačiti odnose između svojih redaka i stupaca.

Modul Kategorije svoju analizu obavlja na rednim i nazivnim podacima. Koristi postupke slične konvencionalnoj regresiji, glavne komponente i kanonsku korelaciju. Izvodi regresiju koristeći nominalni ili ordinalni kategorički prediktor ili varijable ishoda.

Postupci modula Kategorije omogućuju izvođenje statističkih operacija nad kategoričkim podacima:

• Koristeći postupke skaliranja, možete dodijeliti mjerne jedinice i nulte točke svojim kategoričkim podacima, što vam daje pristup novim skupinama statističkih funkcija jer možete analizirati varijable koristeći mješovite razine mjerenja.
• Koristeći analizu korespondencije, možete numerički procijeniti sličnosti među nominalnim varijablama i sažeti svoje podatke prema komponentama koje odaberete.
• Korištenjem nelinearne kanoničke korelacijske analize možete prikupiti varijable različitih razina mjerenja u vlastite skupove, a zatim analizirati skupove.

Ovaj modul možete koristiti za izradu nekoliko korisnih alata:

• Perceptualna karta: sažeti grafikon visoke razlučivosti koji služi kao grafički prikaz sličnih varijabli ili kategorija. Perceptualna karta daje vam uvid u odnose između više od dvije kategoričke varijable.
• Biplot: Sažeti grafikon koji omogućuje sagledavanje odnosa između proizvoda, kupaca i demografskih karakteristika.

Modul za pripremu podataka

Da se razumijemo: priprema podataka nije zabavna. Prihvatit ćemo svu pomoć koju možemo dobiti. Nijedan modul neće eliminirati sav posao za čovjeka u ovom ljudsko-računalnom partnerstvu, ali modul za pripremu podataka eliminirat će neke rutinske, predvidljive aspekte.

Ovaj modul vam pomaže obraditi retke i stupce podataka. Za retke podataka, pomaže vam identificirati odlike koje bi mogle iskriviti vaše podatke. Što se tiče varijabli, pomaže vam identificirati one najbolje i daje vam do znanja da neke možete poboljšati tako da ih transformirate. Također vam omogućuje stvaranje posebnih pravila za provjeru valjanosti kako biste ubrzali provjere podataka i izbjegli puno ručnog rada. Konačno, pomaže vam identificirati obrasce u vašim podacima koji nedostaju.

Počevši od verzije 27, moduli Data Preparation i Bootstrapping dio su osnovnog izdanja.

Modul Stabla odluka

Stabla odlučivanja su daleko najpopularnija i najpoznatija tehnika rudarenja podataka. Zapravo, cijeli softverski proizvodi posvećeni su ovom pristupu. Ako niste sigurni trebate li raditi rudarenje podataka, ali ga želite isprobati, korištenje modula Decision Trees bio bi jedan od najboljih načina za pokušaj rudarenja podataka jer već znate svoj put oko SPSS statistike. Modul Decision Trees nema sve značajke stabala odluka u SPSS Modeleru (cijeli softverski paket posvećen rudarenju podataka), ali ovdje ima dosta toga da vam pruži dobar početak.

Što su stabla odluka? Pa, ideja je da imate nešto što želite predvidjeti (ciljnu varijablu) i puno varijabli koje bi vam mogle pomoći u tome, ali ne znate koje su najvažnije. SPSS označava koje su varijable najvažnije i kako varijable međusobno djeluju, te vam pomaže predvidjeti ciljnu varijablu u budućnosti.

SPSS podržava četiri najpopularnija algoritma stabla odlučivanja: CHAID, Exhaustive CHAID, C&RT i QUEST.

Modul za predviđanje

Modul za predviđanje možete koristiti za brzu izradu stručnih prognoza vremenskih serija. Ovaj modul uključuje statističke algoritme za analizu povijesnih podataka i predviđanje trendova. Možete ga postaviti da analizira stotine različitih vremenskih serija odjednom umjesto da izvodite zasebnu proceduru za svaku od njih.

Softver je dizajniran za rješavanje posebnih situacija koje se javljaju u analizi trenda. Automatski određuje najprikladniji autoregresivni integrirani pokretni prosjek (ARIMA) ili model eksponencijalnog izglađivanja. Automatski testira podatke na sezonskost, isprekidanost i vrijednosti koje nedostaju. Softver otkriva odstupanja i sprječava ih da neopravdano utječu na rezultate. Generirani grafikoni uključuju intervale povjerenja i ukazuju na dobro uklapanje modela.

Kako stječete iskustvo u predviđanju, modul za predviđanje vam daje veću kontrolu nad svakim parametrom kada gradite svoj podatkovni model. Možete koristiti stručnjak za modeliranje u modulu za predviđanje kako biste preporučili početne točke ili provjerili izračune koje ste napravili ručno.

Osim toga, algoritam nazvan Temporal Causal Modeling (TCM) pokušava otkriti ključne uzročne veze u podacima vremenskog niza uključujući samo ulaze koji imaju uzročnu vezu s ciljem. Ovo se razlikuje od tradicionalnog modeliranja vremenskih serija, gdje morate eksplicitno navesti prediktori za ciljnu seriju.

Modul vrijednosti koje nedostaju

Čini se da modul za pripremu podataka ima pokrivene vrijednosti koje nedostaju, ali modul vrijednosti koje nedostaju i modul za pripremu podataka prilično se razlikuju. Modul za pripremu podataka bavi se pronalaženjem pogrešaka u podacima; njegova pravila za provjeru valjanosti će vam reći je li data točka jednostavno neispravna. Modul nedostajuće vrijednosti, s druge strane, fokusiran je na to kada nema vrijednosti podataka. Pokušava procijeniti dio informacija koji nedostaje koristeći druge podatke koje imate. Taj se proces naziva imputacija ili zamjena vrijednosti s obrazovanim nagađanjem. Sve vrste rudara podataka, statističara i istraživača - posebno istraživača anketa - mogu imati koristi od modula Missing Values.

Modul za pokretanje

Držite se, jer ćemo se malo tehnički baviti. Bootstrapping je tehnika koja uključuje ponovno uzorkovanje sa zamjenom. Modul Bootstrapping nasumično bira slučaj, pravi bilješke o njemu, zamjenjuje ga i bira drugi. Na taj način moguće je odabrati slučaj više puta ili uopće ne odabrati. Neto rezultat je još jedna verzija vaših podataka koja je slična, ali nije identična. Ako to učinite 1000 puta (zadano), doista možete učiniti neke moćne stvari.

Modul za podizanje sustava omogućuje vam da izgradite stabilnije modele prevladavanjem učinka odstupanja i drugih problema u vašim podacima. Tradicionalna statistika pretpostavlja da vaši podaci imaju određenu distribuciju, ali ova tehnika izbjegava tu pretpostavku. Rezultat je točniji osjećaj onoga što se događa u populaciji. Bootstrapping je, na neki način, jednostavna ideja, ali budući da bootstrapping zahtijeva mnogo računalnih konjskih snaga, sada je popularniji nego kada su računala bila sporija.

Bootstrapping je popularna tehnika i izvan SPSS-a, tako da na webu možete pronaći članke o tom konceptu. Modul Bootstrapping omogućuje vam da primijenite ovaj moćni koncept na svoje podatke u SPSS Statistics.

Modul složenih uzoraka

Uzorkovanje je veliki dio statistike. Jednostavan slučajni uzorak je ono što mi obično misle kao uzorak - kao što je odabir imena iz šešira. Šešir je vaša populacija, a komadići papira koje odaberete pripadaju vašem uzorku. Svaki papirić ima jednake šanse da bude izabran. Istraživanje je često kompliciranije od toga. Modul Complex Sample odnosi se na kompliciranije oblike uzorkovanja: dvostupanjsko, stratificirano i tako dalje.

Najčešće je ovaj modul potreban istraživačima ankete, iako bi mnoge vrste eksperimentalnih istraživača također mogle imati koristi od njega. Moduli Complex Samples pomažu vam u dizajniranju prikupljanja podataka, a zatim uzimaju dizajn u obzir pri izračunu vaše statistike. Gotovo sve statistike u SPSS-u izračunate su uz pretpostavku da su podaci jednostavan slučajni uzorak. Vaši izračuni mogu biti iskrivljeni ako ova pretpostavka nije ispunjena.

Modul Conjoint

Modul Conjoint omogućuje vam da odredite kako svaki od atributa vašeg proizvoda utječe na preferencije potrošača. Kada kombinirate analizu s konkurentnim istraživanjem tržišta proizvoda, lakše je usmjeriti se na karakteristike proizvoda koje su važne vašim kupcima.

Ovim istraživanjem možete odrediti koji su atributi proizvoda do kojih je stalo vašim kupcima, do kojih im je najviše stalo i kako možete napraviti korisne studije o cijenama i vrijednosti robne marke. I sve to možete učiniti prije nego što snosite troškove dovođenja novih proizvoda na tržište.

Modul izravnog marketinga

Modul Direct Marketing je malo drugačiji od ostalih. To je skup povezanih značajki u okruženju poput čarobnjaka. Modul je osmišljen tako da za marketinške stručnjake služi na jednom mjestu. Glavne značajke su analiza nedavnosti, učestalosti i monetarna (RFM), analiza klastera i profiliranje:

• RFM analiza: RFM analiza izvještava vas o tome koliko nedavno, koliko često i koliko su vaši klijenti potrošili na vaše poslovanje. Očito su kupci koji su trenutno aktivni, puno troše i troše često vaši najbolji kupci.
• Klaster analiza: Klaster analiza je način segmentiranja vaših kupaca u različite segmente kupaca. Obično koristite ovaj pristup za uparivanje različitih marketinških kampanja s različitim klijentima. Na primjer, tvrtka za krstarenje može isprobati različite naslovnice u katalogu putovanja koji izlaze kupcima, pri čemu pustolovni tipovi imaju Aljasku ili Norvešku na naslovnici, a ljudi koji piju kišobrane dobivaju slike Kariba.
• Profiliranje: profiliranje vam pomaže vidjeti koje su karakteristike korisnika povezane s određenim rezultatima. Na taj način možete izračunati ocjenu sklonosti da će određeni kupac odgovoriti na određenu kampanju. Gotovo sve ove značajke mogu se naći u drugim područjima SPSS-a, ali čarobno okruženje modula Direct Marketing olakšava marketinškim analitičarima da mogu proizvesti korisne rezultate kada nemaju opsežnu obuku o statistici koja stoji iza tehnika.

Modul Exact Tests

Modul Exact Tests omogućuje točniju analizu malih skupova podataka i skupova podataka koji sadrže rijetke pojave. Pruža vam alate koji su vam potrebni za analizu takvih stanja podataka s većom preciznošću nego što bi inače bilo moguće.

Kada je dostupna samo mala veličina uzorka, možete koristiti modul Exact Tests da analizirate manji uzorak i imate više povjerenja u rezultate. Ovdje je ideja napraviti više analiza u kraćem vremenskom razdoblju. Ovaj modul vam omogućuje da provodite različite ankete umjesto da trošite vrijeme na prikupljanje uzoraka kako biste proširili svoju bazu anketa.

Procesi koje koristite i oblici rezultata isti su kao oni u osnovnom SPSS sustavu, ali interni algoritmi su podešeni za rad s manjim skupovima podataka. Modul Exact Tests pruža više od 30 testova koji pokrivaju sve neparametarske i kategoričke testove koje inače koristite za veće skupove podataka. Uključeni su testovi s jednim uzorkom, dva uzorka i k-uzorak s neovisnim ili povezanim uzorcima, testovi dobrog pristajanja, testovi neovisnosti i mjere povezivanja.

Modul Neuralne mreže

Neuronska mreža je latticelike mreža neuronlike čvorova, postavljenih u SPSS djelovati nešto poput neurona u živom mozgu. Veze između ovih čvorova imaju pridružene težine (stupnjeve relativnog učinka), koje se mogu podesiti. Kada prilagodite težinu veze, kaže se da mreža uči.

U modulu neuronske mreže, algoritam za obuku iterativno prilagođava težine kako bi se u potpunosti podudarali sa stvarnim odnosima među podacima. Ideja je minimizirati pogreške i maksimizirati točna predviđanja. Računalna neuronska mreža ima jedan sloj neurona za ulaze i drugi za izlaze, s jednim ili više skrivenih slojeva između njih. Neuronska mreža se može koristiti s drugim statističkim postupcima za pružanje jasnijeg uvida.

Koristeći poznato SPSS sučelje, možete rudariti svoje podatke za odnose. Nakon odabira postupka, specificirate zavisne varijable, koje mogu biti bilo koja kombinacija kontinuiranih i kategoričkih tipova. Da biste se pripremili za obradu, postavljate arhitekturu neuronske mreže, uključujući računske resurse koje želite primijeniti. Da biste dovršili pripremu, odabirete što ćete učiniti s izlazom:

• Navedite rezultate u tablicama.
• Grafički prikaz rezultata u grafikonima.
• Postavite rezultate u privremene varijable u skupu podataka.
• Izvezite modele u XML formatirane datoteke.