Einingum sem þú getur bætt við SPSS

IBM SPSS Statistics kemur í formi grunnkerfis, en þú getur fengið viðbótareiningar til að bæta við það kerfi. SPSS er fáanlegt í ýmsum leyfisútgáfum : háskólaútgáfum, áskriftaráætlunum og viðskiptaútgáfum. Þó að verðlagning og ýmsir búntar séu mismunandi fyrir hvern, gera þau þér öll kleift að innihalda sömu viðbótareiningar.

Ef þú ert að nota afrit af SPSS í vinnunni eða í háskólastillingu sem einhver annar setti upp gætirðu átt einhverjar af þessum viðbótum án þess að gera þér grein fyrir því vegna þess að flestar eru svo fullkomlega samþættar í valmyndunum að þær líta út eins og óaðskiljanlegur hluti af grunnkerfi. Ef þú tekur eftir því að valmyndirnar þínar eru styttri eða lengri en eintak einhvers annars af SPSS, er þetta líklega vegna viðbótareininga.

Sumar viðbætur gætu haft engan áhuga fyrir þig; á meðan aðrir gætu orðið ómissandi. Athugaðu að ef þú ert með prufueintak af SPSS, þá hefur það líklega allar einingarnar, þar á meðal þær sem þú gætir misst aðgang að þegar þú eignast þitt eigið eintak. Þessi grein kynnir þér einingarnar sem hægt er að bæta við SPSS og hvað þær gera; skoðaðu skjölin sem fylgja hverri einingu fyrir fulla kennslu.

Þú munt líklega rekast á nöfnin IBM SPSS Amos og IBM SPSS Modeler . Þó að SPSS komi fram í nöfnunum kaupir þú þessi forrit sérstaklega, ekki sem viðbætur. Amos er notað fyrir Structural Equation Modeling (SEM) og SPSS Modeler er forspárgreiningar- og vélanámsvinnubekkur.

Ítarlegri tölfræðieiningin

Eftirfarandi er listi yfir tölfræðiaðferðir sem eru hluti af Advanced Statistics einingunni:

• Almenn línuleg líkön (GLM)
• Almenn línuleg líkön (GENLIN)
• Línuleg blönduð módel
• Almennar matsjöfnur (GEE) aðferðir
• Almenn línuleg blönduð líkön (GLMM)
• Aðferðir við lifunargreiningu

Þrátt fyrir að þessar aðferðir séu með þeim fullkomnustu í SPSS, eru sumar nokkuð vinsælar. Til dæmis er stigveldislínulíkan (HLM), hluti af línulegum blönduðum líkönum, algeng í menntarannsóknum. HLM líkön eru tölfræðileg líkön þar sem breytur eru mismunandi á fleiri en einu stigi. Til dæmis gætir þú haft gögn sem innihalda upplýsingar fyrir bæði nemendur og skóla, og í HLM líkani geturðu samtímis fellt inn upplýsingar frá báðum stigum.

Lykilatriðið er að þessi háþróaða tölfræðieining inniheldur sérhæfða tækni sem þú þarft að nota ef þú uppfyllir ekki forsendur plain-vanillu regression og dreifnigreiningar (ANOVA). Þessar aðferðir eru meira ANOVA bragð. Lifunargreining er svokölluð tíma-til-atburðarlíkön, eins og að áætla tíma til dauða eftir greiningu.

Sérsniðin töflueiningin

Sérsniðin töflueining hefur verið vinsælasta einingin í mörg ár og ekki að ástæðulausu. Ef þú þarft að kreista mikið af upplýsingum inn í skýrslu þarftu þessa einingu. Til dæmis, ef þú gerir könnunarrannsóknir og vilt greina frá allri könnuninni í töfluformi, getur sérsniðin töflueining komið þér til bjargar vegna þess að hún gerir þér kleift að setja fram miklar upplýsingar auðveldlega.

Fáðu ókeypis prufueintak af SPSS Statistics með öllum einingunum og þvingaðu þig til að eyða heilum degi í að nota einingarnar sem þú ert ekki með. Athugaðu hvort einhver þáttur í skýrslugerð sem þú ert nú þegar að gera gæti verið hraðari með sérsniðnum töflum einingunni. Afritaðu nýlega skýrslu og sjáðu hversu mikinn tíma þú gætir sparað.

Í eftirfarandi mynd sérðu einfalda tíðnitöflu sem sýnir tvær breytur. Athugið að flokkarnir fyrir báðar breyturnar eru þær sömu.

Tíðnitafla yfir afsláttarbreyturnar.

Eftirfarandi tafla er sömu gögn, en hér var taflan búin til með SPSS Custom Tables einingunni og er miklu betri tafla.

Sérsniðin tafla yfir afsláttarbreyturnar.

Ef þú ert að búa til borðið fyrir sjálfan þig getur framsetning ekki skipt máli. En ef þú ert að setja töfluna í skýrslu sem verður send til annarra þarftu SPSS Custom Tables eininguna. Við the vegur, með æfingu, tekur það aðeins nokkrar sekúndur að búa til sérsniðnu útgáfuna, og þú getur notað setningafræði til að sérsníða töfluna frekar!

Frá og með útgáfu 27 er sérsniðin töflueining hluti af stöðluðu útgáfunni.

Aðhvarfseiningin

Eftirfarandi er listi yfir tölfræðilegar aðferðir sem eru hluti af aðhvarfseiningunni:

• Margnafna og tvíundir logistic regression
• Ólínuleg aðhvarf (NLR) og þvinguð ólínuleg aðhvarf (CNLR)
• Vegin minnstu kvaðrata aðhvarf og tveggja þrepa minnstu kvaðrata aðhvarf
• Probit greining

Að sumu leyti er aðhvarfseiningin eins og Advanced Statistics einingin - þú notar þessar aðferðir þegar þú uppfyllir ekki staðlaðar forsendur. Hins vegar, með aðhvarfseiningunni, eru tæknin fín afbrigði af aðhvarfinu þegar þú getur ekki gert venjulega minnstu ferninga aðhvarf. Tvöfaldur logistic regression er vinsæl og notuð þegar háða breytan hefur tvo flokka - til dæmis, vera eða fara (hræra), kaupa eða ekki kaupa, eða fá sjúkdóm eða fá ekki sjúkdóm.

Flokkar einingin

Flokkar einingin gerir þér kleift að sýna tengsl milli flokkagagna þinna. Til að hjálpa þér að skilja gögnin þín notar Flokkar einingin skynjunarkortlagningu, ákjósanlega kvarðan, kjörstærð og víddarminnkun. Með því að nota þessar aðferðir geturðu sjónrænt túlkað tengslin milli raða og dálka.

Flokkareiningin framkvæmir greiningu sína á rað- og nafngögnum. Það notar verklagsreglur svipaðar hefðbundinni aðhvarf, aðalþætti og kanónísk fylgni. Það framkvæmir aðhvarf með því að nota nafn- eða ordinal flokka spá eða útkomubreytur.

Verklagsreglur flokkaeiningarinnar gera það mögulegt að framkvæma tölfræðilegar aðgerðir á flokkunargögnum:

• Með því að nota skalunaraðferðirnar geturðu úthlutað mælieiningum og núllpunktum á flokkagögnin þín, sem gefur þér aðgang að nýjum hópum tölfræðilegra aðgerða vegna þess að þú getur greint breytur með blönduðum mælistigum.
• Með því að nota samsvörunargreiningu geturðu metið líkindi meðal nafnbreyta með tölulegum hætti og dregið saman gögnin þín í samræmi við hluti sem þú velur.
• Með því að nota ólínulega kanóníska fylgnigreiningu geturðu safnað breytum af mismunandi mælistigum í eigin mengi og síðan greint mengin.

Þú getur notað þessa einingu til að framleiða nokkur gagnleg verkfæri:

• Skynjakort: Yfirlitsrit í mikilli upplausn sem þjónar sem grafísk sýning á svipuðum breytum eða flokkum. Skynjakort gefur þér innsýn í tengsl milli fleiri en tveggja flokkabreyta.
• Biplot: Yfirlitsrit sem gerir þér kleift að skoða tengslin milli vara, viðskiptavina og lýðfræðilegra eiginleika.

Gagnaundirbúningseiningin

Við skulum horfast í augu við það: Gagnaundirbúningur er ekkert skemmtilegur. Við munum þiggja alla þá hjálp sem við getum fengið. Engin eining mun útrýma allri vinnu fyrir manneskjuna í þessu mann-tölvu samstarfi, en gagnaundirbúningseiningin mun útrýma nokkrum venjubundnum, fyrirsjáanlegum þáttum.

Þessi eining hjálpar þér að vinna úr raðir og dálka af gögnum. Fyrir raðir af gögnum hjálpar það þér að bera kennsl á útlínur sem gætu skekkt gögnin þín. Hvað breytur varðar, hjálpar það þér að bera kennsl á þær bestu og lætur þig vita að þú gætir bætt sumar með því að umbreyta þeim. Það gerir þér einnig kleift að búa til sérstakar löggildingarreglur til að flýta fyrir gagnaskoðunum þínum og forðast mikla handavinnu. Að lokum hjálpar það þér að bera kennsl á mynstur í gögnunum sem vantar.

Frá og með útgáfu 27 eru gagnaundirbúningur og ræsikerfiseiningar hluti af grunnútgáfunni.

Ákvörðunartré einingin

Ákvörðunartré eru langvinsælasta og þekktasta gagnavinnsluaðferðin. Reyndar eru heilar hugbúnaðarvörur tileinkaðar þessari nálgun. Ef þú ert ekki viss um hvort þú þurfir að stunda gagnavinnslu en þú vilt prófa það, þá væri að nota Decision Trees eininguna ein besta leiðin til að reyna gagnavinnslu vegna þess að þú þekkir þig nú þegar í SPSS tölfræði. Decision Trees einingin hefur ekki alla eiginleika ákvörðunartrjánna í SPSS Modeler (heill hugbúnaðarpakki tileinkaður gagnavinnslu), en það er nóg hér til að gefa þér góða byrjun.

Hvað eru ákvörðunartré? Jæja, hugmyndin er sú að þú sért með eitthvað sem þú vilt spá fyrir um (markbreytuna) og fullt af breytum sem gætu mögulega hjálpað þér að gera það, en þú veist ekki hverjar eru mikilvægastar. SPSS gefur til kynna hvaða breytur eru mikilvægastar og hvernig breyturnar hafa samskipti og hjálpar þér að spá fyrir um markbreytuna í framtíðinni.

SPSS styður fjögur af vinsælustu reikniritum ákvarðanatrésins: CHAID, Exhaustive CHAID, C&RT og QUEST.

Spáeiningin

Þú getur notað spáeininguna til að búa til tímaraðarspár sérfræðinga hratt. Þessi eining inniheldur tölfræðileg reiknirit til að greina söguleg gögn og spá fyrir um þróun. Þú getur sett það upp til að greina hundruð mismunandi tímaraðir í einu í stað þess að keyra sérstaka aðferð fyrir hverja og eina.

Hugbúnaðurinn er hannaður til að takast á við þær sérstöku aðstæður sem koma upp í þróunargreiningu. Það ákvarðar sjálfkrafa best viðeigandi sjálfvirkt samþætt hreyfanleg meðaltal (ARIMA) eða veldisvísisjöfnunarlíkan sem hentar best. Það prófar sjálfkrafa gögn fyrir árstíðarsveiflu, hlé og gildi sem vantar. Hugbúnaðurinn greinir frávik og kemur í veg fyrir að þeir hafi óeðlilega áhrif á niðurstöðurnar. Mynduð línurit innihalda öryggisbil og gefa til kynna að líkanið passi vel.

Þegar þú öðlast reynslu af spá, gefur spáeiningin þér meiri stjórn á hverri færibreytu þegar þú ert að byggja gagnalíkanið þitt. Þú getur notað sérfræðilíkanamanninn í spáeiningunni til að mæla með upphafsstöðum eða til að athuga útreikninga sem þú hefur gert í höndunum.

Að auki reynir reiknirit sem kallast Temporal Causal Modeling (TCM) að uppgötva lykil orsakasamhengi í tímaraðargögnum með því að taka aðeins inn inntak sem hafa orsakatengsl við markið. Þetta er frábrugðið hefðbundnum tímaraðarlíkönum, þar sem þú verður að tilgreina skýrt forspár fyrir markröð.

Einingin Missing Values

Gagnaundirbúningseiningin virðist hafa vantandi gildi en einingin Missing Values ​​og Data Preparation einingin eru nokkuð ólík. Gagnaundirbúningseiningin snýst um að finna gagnavillur; Löggildingarreglur þess munu segja þér hvort gagnapunktur sé bara ekki réttur. Missing Values ​​einingin beinist aftur á móti að því þegar ekkert gagnagildi er til. Það reynir að meta upplýsingarnar sem vantar með því að nota önnur gögn sem þú hefur. Þetta ferli er kallað útreikningur, eða að skipta út gildum fyrir menntuð ágiskun. Alls konar gagnanámamenn, tölfræðingar og rannsakendur - sérstaklega könnunarrannsakendur - geta notið góðs af Missing Values ​​einingunni.

Bootstrapping einingin

Bíddu fast því við erum að fara að verða smá tæknileg. Bootstrapping er tækni sem felur í sér endursýnatöku með endurnýjun. Bootstrapping-einingin velur mál af handahófi, gerir athugasemdir um það, kemur í stað þess og velur annað. Þannig er hægt að velja mál oftar en einu sinni eða alls ekki. Nettó niðurstaðan er önnur útgáfa af gögnunum þínum sem er svipuð en ekki eins. Ef þú gerir þetta 1.000 sinnum (sjálfgefið) geturðu gert nokkra kraftmikla hluti.

Bootstrapping einingin gerir þér kleift að smíða stöðugri líkön með því að sigrast á áhrifum frávika og annarra vandamála í gögnunum þínum. Hefðbundin tölfræði gerir ráð fyrir að gögnin þín hafi ákveðna dreifingu, en þessi tækni forðast þá forsendu. Niðurstaðan er nákvæmari tilfinning um hvað er að gerast í íbúafjölda. Bootstrapping, í vissum skilningi, er einföld hugmynd, en vegna þess að bootstrapping tekur mikið af tölvuhestöflum er það vinsælli núna en þegar tölvur voru hægari.

Bootstrapping er vinsæl tækni utan SPSS líka, svo þú getur fundið greinar á vefnum um hugmyndina. Bootstrapping einingin gerir þér kleift að beita þessu öfluga hugtaki á gögnin þín í SPSS tölfræði.

The Complex Samples einingin

Sýnataka er stór hluti af tölfræði. A einfaldur slembiúrtak er það sem við venjulega svo sem sýnishorn - eins og að velja nöfn út af húfu. Hatturinn er þinn íbúafjöldi og pappírsleifarnar sem þú velur tilheyra sýninu þínu. Hvert blað hefur jafna möguleika á að verða valinn. Rannsóknir eru oft flóknari en það. Complex Sample einingin snýst um flóknari form sýnatöku: tveggja þrepa, lagskipt og svo framvegis.

Oftast þurfa könnunarrannsakendur þessa einingu, þó að margs konar tilraunarannsóknarmenn geti líka notið góðs af henni. Complex Samples einingarnar hjálpa þér að hanna gagnasöfnunina og tekur síðan tillit til hönnunarinnar þegar þú reiknar út tölfræði þína. Næstum öll tölfræði í SPSS er reiknuð út með þeirri forsendu að gögnin séu einfalt slembiúrtak. Útreikningar þínir geta brenglast þegar þessi forsenda er ekki uppfyllt.

Sameiningin

Conjoint einingin veitir þér leið til að ákvarða hvernig hver og einn eiginleiki vörunnar þinnar hefur áhrif á óskir neytenda. Þegar þú sameinar sameiginlega greiningu við samkeppnismarkaðsvörurannsóknir, er auðveldara að núllstilla vörueiginleika sem eru mikilvægir fyrir viðskiptavini þína.

Með þessari rannsókn geturðu ákvarðað hvaða vörueiginleika viðskiptavinum þínum þykir vænt um, hverja þeim er mest annt um og hvernig þú getur gert gagnlegar rannsóknir á verðlagningu og vörumerki. Og þú getur gert allt þetta áður en þú verður fyrir kostnaði við að koma nýjum vörum á markað.

Bein markaðssetning einingin

Bein markaðssetning einingin er aðeins frábrugðin hinum. Það er búnt af tengdum eiginleikum í töframannslegu umhverfi. Einingin er hönnuð til að vera einhliða innkaup fyrir markaðsfólk. Helstu eiginleikarnir eru nýtíðni, tíðni og peningagreining (RFM), klasagreining og prófílgreining:

• RFM greining: RFM greining skýrir þér frá því hversu nýlega, hversu oft og hversu miklu viðskiptavinir þínir eyddu í fyrirtæki þitt. Augljóslega eru viðskiptavinir sem eru virkir um þessar mundir, eyða miklu og eyða oft, bestu viðskiptavinir þínir.
• Klasagreining: Klasagreining er leið til að skipta viðskiptavinum þínum í mismunandi viðskiptavinahluta. Venjulega notar þú þessa nálgun til að passa mismunandi markaðsherferðir við mismunandi viðskiptavini. Til dæmis getur skemmtiferðaskip prufað mismunandi hlífar á ferðaskránni til viðskiptavina, þar sem ævintýragjarnar týpurnar fá Alaska eða Noreg á kápunni og regnhlífadrykkjafjöldinn fær myndir af Karíbahafinu.
• Sniðgreining: Sniðgreining hjálpar þér að sjá hvaða eiginleikar viðskiptavina tengjast sérstökum útkomum. Á þennan hátt er hægt að reikna út tilhneigingarstigið sem tiltekinn viðskiptavinur mun svara tiltekinni herferð. Nánast alla þessa eiginleika er að finna á öðrum sviðum SPSS, en töfralegt umhverfi beinmarkaðssetningareiningarinnar auðveldar markaðssérfræðingum að geta skilað gagnlegum niðurstöðum þegar þeir hafa ekki mikla þjálfun í tölfræðinni á bak við tæknina.

Nákvæm próf einingin

Nákvæmar prófunareiningin gerir það mögulegt að vera nákvæmari í greiningu þinni á litlum gagnasöfnum og gagnasöfnum sem innihalda sjaldgæfa tilvik. Það gefur þér tækin sem þú þarft til að greina slík gagnaskilyrði með meiri nákvæmni en ella væri mögulegt.

Þegar aðeins lítið úrtak er tiltækt geturðu notað nákvæma prófunareininguna til að greina minna úrtakið og treysta niðurstöðunum betur. Hér er hugmyndin að framkvæma fleiri greiningar á skemmri tíma. Þessi eining gerir þér kleift að framkvæma mismunandi kannanir frekar en að eyða tíma í að safna sýnum til að stækka grunninn þinn af könnunum.

Ferlarnir sem þú notar, og form niðurstaðna, eru þau sömu og í SPSS grunnkerfinu, en innri reikniritin eru stillt til að vinna með smærri gagnapakka. Nákvæm próf einingin býður upp á meira en 30 próf sem ná yfir öll þau próf sem ekki eru parametrisk og flokkuð sem þú notar venjulega fyrir stærri gagnasöfn. Innifalið eru eins sýnis-, tveggja sýnis- og k-sýnispróf með óháðum eða skyldum úrtökum, hæfnipróf, óhæðispróf og mælingar á tengslum.

Taugakerfiseiningin

A tauga nettó er latticelike net neuronlike hnúta, sett upp í SPSS til að bregðast eitthvað eins og taugafrumum í stofu heila. Tengingarnar á milli þessara hnúta hafa tilheyrandi þyngd (hlutfallsleg áhrif), sem eru stillanleg. Þegar þú stillir þyngd tengingar er sagt að netið læri.

Í tauganetseiningunni stillir þjálfunarreiknirit endurtekið lóðin til að passa nákvæmlega við raunveruleg tengsl milli gagna. Hugmyndin er að lágmarka villur og hámarka nákvæmar spár. Reiknitauganetið hefur eitt lag af taugafrumum fyrir inntak og annað fyrir úttak, með eitt eða fleiri falin lög á milli þeirra. Hægt er að nota tauganetið með öðrum tölfræðilegum aðferðum til að veita skýrari innsýn.

Með því að nota kunnuglega SPSS viðmótið geturðu unnið úr gögnum þínum fyrir sambönd. Eftir að þú hefur valið aðferð tilgreinirðu háðu breyturnar, sem geta verið hvaða samsetning sem er af samfelldum og flokkuðum gerðum. Til að undirbúa þig fyrir vinnslu setur þú upp taugakerfisarkitektúrinn, þar á meðal reiknitilföngin sem þú vilt nota. Til að ljúka undirbúningi velurðu hvað á að gera við úttakið:

• Skráðu niðurstöðurnar í töflum.
• Sýndu niðurstöðurnar myndrænt í myndritum.
• Settu niðurstöðurnar í tímabundnar breytur í gagnasafninu.
• Flytja út líkön í XML-sniðum skrám.