Az SPSS-hez hozzáadható modulok

Az IBM SPSS Statistics alaprendszer formájában érkezik, de a rendszerhez további modulokat is beszerezhet. Az SPSS különféle licencelési kiadásokban érhető el : egyetemi kiadásokban, előfizetési csomagokban és kereskedelmi kiadásokban. Bár az árak és a különféle csomagok mindegyike eltérő, mindegyik lehetővé teszi, hogy ugyanazokat a kiegészítő modulokat tartalmazza.

Ha az SPSS egy másolatát használja munkahelyén vagy egyetemi környezetben, amelyet valaki más telepített, akkor előfordulhat, hogy ezeknek a bővítményeknek a némelyikét anélkül, hogy észrevenné, mivel a legtöbb olyan teljesen be van építve a menükbe, hogy úgy néz ki, mint a alaprendszer. Ha azt észleli, hogy a menük rövidebbek vagy hosszabbak, mint valaki más SPSS-példánya, ez valószínűleg a kiegészítő moduloknak köszönhető.

Előfordulhat, hogy egyes kiegészítők nem érdeklik Önt; míg mások nélkülözhetetlenekké válhatnak. Vegye figyelembe, hogy ha rendelkezik az SPSS próbapéldányával, valószínűleg az összes modult tartalmazza, beleértve azokat is, amelyekhez a saját példány beszerzésekor elveszítheti a hozzáférést. Ez a cikk bemutatja az SPSS-hez hozzáadható modulokat és azok funkcióját; tekintse meg az egyes modulokhoz mellékelt dokumentációt a teljes oktatóanyagért.

Valószínűleg találkozni fog az IBM SPSS Amos és az IBM SPSS Modeler névvel . Bár az SPSS szerepel a nevében, ezeket a programokat külön vásárolja meg, nem kiegészítőként. Az Amos-t szerkezeti egyenletmodellezéshez (SEM) használják, az SPSS Modeler pedig egy prediktív analitikai és gépi tanulási munkaasztal.

A Speciális statisztika modul

Az alábbiakban felsoroljuk azokat a statisztikai technikákat, amelyek a Speciális statisztika modul részét képezik:

• Általános lineáris modellek (GLM)
• Általánosított lineáris modellek (GENLIN)
• Lineáris vegyes modellek
• Általános becslési egyenletek (GEE) eljárások
• Általánosított lineáris vegyes modellek (GLMM)
• Túlélési elemzési eljárások

Bár ezek az eljárások az SPSS legfejlettebbei közé tartoznak, néhányuk meglehetősen népszerű. Például a hierarchikus lineáris modellezés (HLM), amely a lineáris vegyes modellek része, általános az oktatáskutatásban. A HLM modellek olyan statisztikai modellek, amelyekben a paraméterek egynél több szinten változnak. Például rendelkezhet olyan adatokkal, amelyek mind a diákok, mind az iskolák számára tartalmaznak információkat, és egy HLM-modellben egyszerre is beépíthet információkat mindkét szintről.

A lényeg az, hogy ez a haladó statisztikai modul speciális technikákat tartalmaz, amelyeket akkor kell használnia, ha nem felel meg a sima-vanília regresszió és a varianciaanalízis (ANOVA) feltételezéseinek. Ezek a technikák inkább ANOVA ízek. A túlélési elemzés úgynevezett „time-to-esemény” modellezés, például a diagnózis utáni halálozásig eltelt idő becslése.

Az Egyéni táblázatok modul

Az Egyéni táblázatok modul évek óta a legnépszerűbb modul, és ennek jó oka van. Ha sok információt kell belesűrítenie egy jelentésbe, akkor erre a modulra van szüksége. Például, ha felmérést végez, és a teljes felmérésről táblázatos formában szeretne jelentést készíteni, az Egyéni táblázatok modul segítségére lehet, mert lehetővé teszi, hogy könnyen bemutathasson hatalmas információkat.

Szerezze be az SPSS Statistics ingyenes próbapéldányát az összes modullal, és kényszerítse magát, hogy egy szilárd napot töltsön el a nem birtokolt modulokkal. Tekintse meg, hogy a már végzett jelentéskészítés bármely aspektusa gyorsabban elvégezhető-e az Egyéni táblázatok modullal. Reprodukáljon egy friss jelentést, és nézze meg, mennyi időt takaríthat meg.

A következő ábrán egy egyszerű gyakorisági táblázat látható, amely két változót jelenít meg. Vegye figyelembe, hogy mindkét változó kategóriája azonos.

A kedvezményváltozók gyakorisági táblázata.

A következő táblázat ugyanazokat az adatokat tartalmazza, de itt a táblázat az SPSS Custom Tables moduljával készült, és sokkal jobb tábla.

A kedvezményváltozók egyéni táblázata.

Ha saját magának készíti el az asztalt, a prezentáció nem feltétlenül számít. De ha a táblázatot egy olyan jelentésbe helyezi, amelyet mások is elküldenek, akkor szüksége van az SPSS Custom Tables modulra. Gyakorlattal egyébként mindössze néhány másodpercet vesz igénybe az egyedi verzió elkészítése, a Syntax segítségével pedig tovább szabhatod a táblázatot!

A 27-es verziótól kezdődően az Egyéni táblázatok modul a szabványos kiadás része.

A regressziós modul

Az alábbiakban felsoroljuk azokat a statisztikai technikákat, amelyek a regressziós modul részét képezik:

• Multinomiális és bináris logisztikus regresszió
• Nemlineáris regresszió (NLR) és korlátozott nemlineáris regresszió (CNLR)
• Súlyozott legkisebb négyzetek regressziója és kétlépcsős legkisebb négyzetek regressziója
• Probit elemzés

A regressziós modul bizonyos szempontból olyan, mint a Speciális statisztika modul – ezeket a technikákat akkor használja, ha nem felel meg a szabványos feltételezéseknek. A regressziós modullal azonban a technikák a regresszió divatos változatai, amikor nem tudod elvégezni a szokásos legkisebb négyzetek regresszióját. A bináris logisztikus regresszió népszerű, és akkor használatos, ha a függő változónak két kategóriája van – például maradjon vagy menjen (lemorzsolódik), vásároljon vagy ne vásároljon, vagy megbetegszik, vagy nem lesz betegsége.

A Kategóriák modul

A Kategóriák modul lehetővé teszi a kategorikus adatok közötti kapcsolatok felfedését. Az adatok megértésének elősegítése érdekében a Kategóriák modul észlelési leképezést, optimális méretezést, preferenciaméretezést és méretcsökkentést használ. Ezekkel a technikákkal vizuálisan értelmezheti a sorok és oszlopok közötti kapcsolatokat.

A Kategóriák modul az elemzést az ordinális és névleges adatokon végzi el. A hagyományos regresszióhoz, a főkomponensekhez és a kanonikus korrelációhoz hasonló eljárásokat használ. Regressziót hajt végre nominális vagy ordinális kategorikus prediktor vagy kimeneti változók használatával.

A Kategóriák modul eljárásai lehetővé teszik kategorikus adatokon statisztikai műveletek elvégzését:

• A skálázási eljárások segítségével mértékegységeket és nullapontokat rendelhet kategorikus adataihoz, ami új statisztikai függvénycsoportokhoz biztosít hozzáférést, mivel vegyes mérési szintek használatával elemezheti a változókat.
• A korrespondenciaelemzés segítségével numerikusan kiértékelheti a névleges változók közötti hasonlóságokat, és összefoglalhatja adatait a kiválasztott összetevők szerint.
• A nemlineáris kanonikus korrelációelemzés segítségével a különböző mérési szintek változóit saját halmazokba gyűjtheti, majd elemezheti a halmazokat.

Ezzel a modullal néhány hasznos eszközt készíthet:

• Perceptuális térkép: Nagy felbontású összefoglaló diagram, amely hasonló változók vagy kategóriák grafikus megjelenítésére szolgál. Az észlelési térkép betekintést nyújt több mint két kategorikus változó közötti kapcsolatokba.
• Biplot: Összefoglaló diagram, amely lehetővé teszi a termékek, a vevők és a demográfiai jellemzők közötti kapcsolatok vizsgálatát.

Az Adat-előkészítés modul

Valljuk be: az adatok előkészítése nem szórakoztató. Minden segítséget megadunk, amit csak tudunk. Ebben az ember-számítógép partnerségben egyetlen modul sem szüntetné meg az emberre háruló összes munkát, de az Adat-előkészítési modul bizonyos rutinszerű, kiszámítható szempontokat megszüntet.

Ez a modul segít az adatsorok és -oszlopok feldolgozásában. Az adatsorok esetében segít azonosítani azokat a kiugró értékeket, amelyek torzíthatják az adatokat. Ami a változókat illeti, segít azonosítani a legjobbakat, és tudatja Önnel, hogy némelyiket átalakításukkal javíthat. Lehetővé teszi továbbá speciális érvényesítési szabályok létrehozását az adatellenőrzés felgyorsítása és a sok kézi munka elkerülése érdekében. Végül segít azonosítani a hiányzó adatok mintáit.

A 27-es verziótól kezdve az Adat-előkészítő és a Bootstrapping modulok az alapkiadás részét képezik.

A döntési fák modul

A döntési fák messze a legnépszerűbb és legismertebb adatbányászati ​​technika. Valójában teljes szoftverterméket szenteltek ennek a megközelítésnek. Ha nem biztos benne, hogy szükség van-e adatbányászatra, de ki szeretné próbálni, a Decision Trees modul használata lenne az egyik legjobb módja az adatbányászat megkísérlésének, mert már ismeri az SPSS Statisztikát. A Decision Trees modul nem rendelkezik az SPSS Modeler döntési fák összes funkciójával (az adatbányászatra szánt teljes szoftvercsomag), de rengeteg van a jó kezdéshez.

Mik azok a döntési fák? Nos, az ötlet az, hogy van valami, amit meg akarsz jósolni (a célváltozó), és sok olyan változó, amely segíthet ebben, de nem tudod, melyik a legfontosabb. Az SPSS jelzi, hogy mely változók a legfontosabbak, és a változók hogyan hatnak egymásra, és segít a célváltozó jövőbeli előrejelzésében.

Az SPSS a négy legnépszerűbb döntési fa-algoritmust támogatja: CHAID, Exhaustive CHAID, C&RT és QUEST.

Az előrejelzés modul

Az Előrejelzés modul segítségével gyorsan készíthet szakértői idősoros előrejelzéseket. Ez a modul statisztikai algoritmusokat tartalmaz a múltbeli adatok elemzéséhez és a trendek előrejelzéséhez. Beállíthatja, hogy egyszerre több száz különböző idősort elemezzen ahelyett, hogy mindegyikhez külön eljárást futtatna.

A szoftver a trendelemzés során felmerülő speciális helyzetek kezelésére készült. Automatikusan meghatározza a legjobban illeszkedő autoregresszív integrált mozgóátlagot (ARIMA) vagy exponenciális simítási modellt. Automatikusan teszteli az adatokat szezonalitásra, időszakosságra és hiányzó értékekre. A szoftver észleli a kiugró értékeket, és megakadályozza, hogy azok indokolatlanul befolyásolják az eredményeket. A generált grafikonok konfidenciaintervallumokat tartalmaznak, és jelzik a modell illeszkedésének jóságát.

Ahogy egyre tapasztalatot szerez az előrejelzésben, az előrejelzési modul segítségével jobban szabályozhatja az összes paramétert az adatmodell felépítése során. Az Előrejelzés modul szakértő modellezőjét használhatja kiindulási pontok ajánlására vagy a kézzel végzett számítások ellenőrzésére.

Ezenkívül az Időbeli ok-okozati modellezés (TCM) nevű algoritmus megpróbálja felfedezni a kulcsfontosságú ok-okozati összefüggéseket az idősoros adatokban úgy, hogy csak azokat a bemeneteket tartalmazza, amelyek ok-okozati kapcsolatban állnak a céllal. Ez eltér a hagyományos idősoros modellezéstől, ahol kifejezetten meg kell adni a célsorozat előrejelzőit.

A hiányzó értékek modul

Úgy tűnik, hogy az Adat-előkészítés modul hiányzó értékeket tartalmaz, de a Hiányzó értékek modul és az Adat-előkészítés modul egészen más. Az Adat-előkészítés modul az adathibák kereséséről szól; az érvényesítési szabályok megmondják, hogy egy adatpont nem megfelelő-e. A hiányzó értékek modul viszont arra összpontosít, amikor nincs adatérték. Megpróbálja megbecsülni a hiányzó információt a meglévő adatok felhasználásával. Ezt a folyamatot imputációnak, vagyis az értékek megalapozott sejtéssel való helyettesítésének nevezik . Mindenféle adatbányász, statisztikus és kutató – különösen a felmérést végző kutatók – profitálhat a hiányzó értékek modulból.

A Bootstrapping modul

Kitartást, mert lesz egy kis technikai. A bootstrapping egy olyan technika, amely magában foglalja az újramintavételezést cserével. A Bootstrapping modul véletlenszerűen választ ki egy esetet, feljegyzéseket készít róla, lecseréli és másikat választ. Ily módon lehetőség van arra, hogy egy esetet többször vagy egyáltalán ne válasszanak. A nettó eredmény az adatok egy másik változata, amely hasonló, de nem azonos. Ha ezt 1000-szer teszi meg (alapértelmezett), akkor valóban hatékony dolgokat hajthat végre.

A Bootstrapping modul lehetővé teszi, hogy stabilabb modelleket építsen fel a kiugró értékek és az adatok egyéb problémáinak leküzdésével. A hagyományos statisztikák azt feltételezik, hogy az adatok meghatározott eloszlásúak, de ez a technika elkerüli ezt a feltételezést. Az eredmény pontosabban érzékeli, mi történik a lakosságban. A bootstrapping bizonyos értelemben egyszerű ötlet, de mivel a rendszerindítás sok számítógép lóerőt igényel, most népszerűbb, mint amikor a számítógépek lassabbak voltak.

A bootstrapping az SPSS-en kívül is népszerű technika, így a weben találhatunk cikkeket a koncepcióról. A Bootstrapping modul segítségével ezt a hatékony koncepciót alkalmazhatja adataira az SPSS Statistics szolgáltatásban.

A Komplex minták modul

A mintavétel a statisztikák nagy részét képezi. Egy egyszerű véletlenszerű minta az, amit általában mintának gondolunk – például nevet választunk kalapból. A kalap az Ön populációja, és a kiválasztott papírdarabok a mintájához tartoznak. Minden egyes papírlapnak egyenlő esélye van a kiválasztottságra. A kutatás sokszor bonyolultabb ennél. A Complex Sample modul a mintavétel bonyolultabb formáiról szól: kétlépcsős, rétegzett és így tovább.

Leggyakrabban felméréskutatóknak van szükségük erre a modulra, bár sokféle kísérleti kutatónak is haszna származhat belőle. A Complex Samples modulok segítenek megtervezni az adatgyűjtést, majd figyelembe veszik a tervezést a statisztikák kiszámításakor. Az SPSS-ben szinte minden statisztikát azzal a feltételezéssel számítanak ki, hogy az adatok egy egyszerű véletlenszerű minta. Számításai torzulhatnak, ha ez a feltevés nem teljesül.

A Conjoint modul

A Conjoint modul lehetőséget biztosít annak meghatározására, hogy a termék egyes attribútumai hogyan befolyásolják a fogyasztói preferenciákat. Ha kombinálja az együttes elemzést a versenypiaci termékkutatással, könnyebb lesz nullázni azokat a termékjellemzőket, amelyek fontosak az ügyfelek számára.

Ezzel a kutatással meghatározhatja, hogy ügyfeleit mely terméktulajdonságok érdeklik, melyek a leginkább, és hogyan végezhet hasznos tanulmányokat az árazásról és a márkaértékről. Mindezt megteheti még azelőtt, hogy az új termékek piacra vitelével járó költségeket terhelné.

A közvetlen marketing modul

A Direkt Marketing modul kissé eltér a többitől. Ez egy csomó kapcsolódó szolgáltatás varázslószerű környezetben. A modult úgy tervezték, hogy a marketingszakemberek egyablakos vásárlást biztosítsanak. A fő jellemzők a frissesség-, gyakoriság- és monetáris (RFM) elemzés, klaszterelemzés és profilalkotás:

• RFM-elemzés: Az RFM-elemzés beszámol Önnek arról, hogy a közelmúltban, milyen gyakran és mennyit költöttek ügyfelei vállalkozására. Nyilvánvalóan azok a vásárlók a legjobbak, akik jelenleg aktívak, sokat költenek és gyakran költenek.
• Klaszterelemzés: A klaszterelemzés egy módja annak, hogy ügyfeleit különböző ügyfélszegmensekre szegmentálja. Általában ezt a megközelítést használja a különböző marketingkampányok különböző ügyfelekhez való hozzárendelésére. Például egy körutazási társaság kipróbálhatja az ügyfelekhez eljuttatott utazási katalógus különböző borítóit, a kalandvágyó típusok Alaszkát vagy Norvégiát, az esernyős italos tömeg pedig a Karib-tengerről kap képeket.
• Profilalkotás: A profilalkotás segít abban, hogy megtudja, mely vásárlói jellemzők kapcsolódnak bizonyos eredményekhez. Ily módon kiszámíthatja azt a hajlandósági pontszámot, amelyet egy adott ügyfél reagálni fog egy adott kampányra. Gyakorlatilag ezek a funkciók megtalálhatók az SPSS más területein is, de a Direkt Marketing modul varázslószerű környezete megkönnyíti a marketingelemzők számára, hogy hasznos eredményeket produkáljanak, ha nem rendelkeznek kiterjedt képzéssel a technikák mögött meghúzódó statisztikákkal kapcsolatban.

Az Exact Tests modul

Az Exact Tests modul lehetővé teszi a kis adatkészletek és a ritka előfordulásokat tartalmazó adatkészletek pontosabb elemzését. Megadja azokat az eszközöket, amelyekre szüksége van az ilyen adatfeltételek pontosabb elemzéséhez, mint az egyébként lehetséges lenne.

Ha csak kis mintaméret áll rendelkezésre, a Pontos tesztek modul segítségével elemezheti a kisebb mintát, és jobban bízhat az eredményekben. Itt az az elképzelés, hogy több elemzést végezzünk rövidebb idő alatt. Ez a modul lehetővé teszi, hogy különböző felméréseket végezzen ahelyett, hogy időt töltene a minták gyűjtésével a felmérések bázisának bővítése érdekében.

Az Ön által használt folyamatok és az eredmények formái megegyeznek az alap SPSS rendszerével, de a belső algoritmusok kisebb adatkészletekkel való együttműködésre vannak hangolva. Az Exact Tests modul több mint 30 tesztet biztosít, amelyek lefedik az összes nemparametrikus és kategorikus tesztet, amelyet általában nagyobb adatkészletekhez használ. Ide tartoznak az egymintás, kétmintás és k-mintás tesztek független vagy rokon mintákkal, az illeszkedési tesztek, a függetlenségi tesztek és az asszociációs mérések.

A Neurális hálózatok modul

A neurális háló neuronszerű csomópontok rácsszerű hálózata, amely az SPSS-en belül van felállítva, hogy úgy működjenek, mint az élő agy neuronjai. Az ezen csomópontok közötti kapcsolatokhoz kapcsolódó súlyok (relatív hatásfokok) vannak, amelyek állíthatók. Amikor beállítja a kapcsolat súlyát, a hálózat állítólag tanul.

A Neurális Hálózat modulban egy betanító algoritmus iteratív módon módosítja a súlyokat, hogy szorosan illeszkedjenek az adatok közötti tényleges kapcsolatokhoz. Az ötlet a hibák minimalizálása és a pontos előrejelzések maximalizálása. A számítási neurális hálózat egy idegsejtréteggel rendelkezik a bemenetekhez és egy másik a kimenetekhez, köztük egy vagy több rejtett réteggel. A neurális hálózat más statisztikai eljárásokkal is használható a világosabb betekintés érdekében.

Az ismerős SPSS felület segítségével kapcsolatokat bányászhat az adataiból. Az eljárás kiválasztása után meg kell adni a függő változókat, amelyek lehetnek folytonos és kategorikus típusok tetszőleges kombinációi. A feldolgozásra való felkészüléshez el kell készítenie a neurális hálózati architektúrát, beleértve az alkalmazni kívánt számítási erőforrásokat. Az előkészítés befejezéséhez válassza ki, hogy mit tegyen a kimenettel:

• Sorolja fel az eredményeket táblázatokban!
• Az eredmények grafikus megjelenítése diagramokban.
• Helyezze az eredményeket ideiglenes változókba az adatkészletben.
• Exportálja a modelleket XML-formátumú fájlokban.