Moduliai, kuriuos galite pridėti prie SPSS

IBM SPSS Statistics yra pagrindinės sistemos forma, tačiau galite įsigyti papildomų modulių, kuriuos galite pridėti prie tos sistemos. SPSS galima įsigyti įvairiais licencijavimo leidimais : universiteto miestelio leidimais, prenumeratos planais ir komerciniais leidimais. Nors kainos ir įvairūs paketai skiriasi kiekvienam, jie visi leidžia įtraukti tuos pačius priedų modulius.

Jei naudojate SPSS kopiją darbe arba universiteto aplinkoje, kurią įdiegė kažkas kitas, kai kuriuos iš šių priedų galite turėti to nesuvokdami, nes dauguma jų yra taip visiškai integruoti į meniu, kad atrodo kaip neatsiejama priedų dalis. bazinė sistema. Jei pastebėjote, kad jūsų meniu yra trumpesnis arba ilgesnis nei kieno nors kito SPSS kopija, greičiausiai taip yra dėl priedų modulių.

Kai kurie priedai gali būti jūsų neįdomūs; o kiti gali tapti būtini. Atminkite, kad jei turite bandomąją SPSS kopiją, greičiausiai joje yra visi moduliai, įskaitant tuos, prie kurių galite prarasti prieigą, kai įsigysite savo kopiją. Šiame straipsnyje supažindinama su moduliais, kuriuos galima pridėti prie SPSS ir ką jie daro; Norėdami gauti visą mokymo programą, žr. dokumentaciją, pateiktą su kiekvienu moduliu.

Tikriausiai susidursite su pavadinimais IBM SPSS Amos ir IBM SPSS Modeler . Nors pavadinimuose yra SPSS , šias programas perkate atskirai, o ne kaip priedus. „Amos“ naudojama struktūrinių lygčių modeliavimui (SEM), o „SPSS Modeler“ yra nuspėjamosios analizės ir mašininio mokymosi darbastalis.

Išplėstinės statistikos modulis

Toliau pateikiamas statistikos metodų, kurie yra išplėstinės statistikos modulio dalis, sąrašas:

• Bendrieji linijiniai modeliai (GLM)
• Apibendrinti tiesiniai modeliai (GENLIN)
• Linijiniai mišrūs modeliai
• Apibendrintų įvertinimo lygčių (GEE) procedūros
• Bendrieji linijiniai mišrūs modeliai (GLMM)
• Išgyvenimo analizės procedūros

Nors šios procedūros yra vienos pažangiausių SPSS, kai kurios yra gana populiarios. Pavyzdžiui, hierarchinis tiesinis modeliavimas (HLM), linijinių mišrių modelių dalis, yra paplitęs švietimo tyrimuose. HLM modeliai yra statistiniai modeliai, kurių parametrai skiriasi daugiau nei vienu lygiu. Pavyzdžiui, galite turėti duomenų, apimančių informaciją ir studentams, ir mokykloms, o HLM modelyje vienu metu galite įtraukti informaciją iš abiejų lygių.

Svarbiausia yra tai, kad šiame išplėstiniame statistikos modulyje yra specializuotų metodų, kuriuos turite naudoti, jei neatitinkate paprastos vanilės regresijos ir dispersijos analizės (ANOVA) prielaidų. Šie metodai yra labiau ANOVA skonio. Išgyvenamumo analizė yra vadinamasis laiko iki įvykio modeliavimas, pvz., laiko iki mirties įvertinimas po diagnozės nustatymo.

Pasirinktinių lentelių modulis

Tinkintų lentelių modulis buvo populiariausias modulis daugelį metų ir dėl geros priežasties. Jei į ataskaitą reikia įtraukti daug informacijos, jums reikia šio modulio. Pavyzdžiui, jei atliekate apklausos tyrimą ir norite pateikti visos apklausos ataskaitą lentelės forma, jums gali padėti pritaikytų lentelių modulis, nes jis leidžia lengvai pateikti didelę informaciją.

Gaukite nemokamą bandomąją SPSS Statistics kopiją su visais moduliais ir priverskite save praleisti solidžią dieną naudodamiesi moduliais, kurių neturite. Pažiūrėkite, ar kurį nors ataskaitų teikimo aspektą, kurį jau darote, galima atlikti greičiau naudojant tinkintų lentelių modulį. Atkurkite naujausią ataskaitą ir sužinokite, kiek laiko galėtumėte sutaupyti.

Toliau pateiktame paveikslėlyje matote paprastą dažnių lentelę, kurioje rodomi du kintamieji. Atminkite, kad abiejų kintamųjų kategorijos yra tos pačios.

Nuolaidų kintamųjų dažnių lentelė.

Toliau pateiktoje lentelėje yra tie patys duomenys, tačiau čia lentelė buvo sukurta naudojant SPSS Custom Tables modulį ir yra daug geresnė lentelė.

Pasirinktinė nuolaidų kintamųjų lentelė.

Jei lentelę kuriate sau, pateikimas gali būti nesvarbus. Bet jei įdedate lentelę į ataskaitą, kuri bus siunčiama kitiems, jums reikia SPSS tinkintų lentelių modulio. Beje, praktikuojantis užtrunka tik kelias sekundes, kad sukurtumėte pasirinktinę versiją, o naudodami sintaksę galite toliau tinkinti lentelę!

Pradedant nuo 27 versijos, tinkintų lentelių modulis yra standartinio leidimo dalis.

Regresijos modulis

Toliau pateikiamas statistinių metodų, kurie yra regresijos modulio dalis, sąrašas:

• Daugianomė ir dvejetainė logistinė regresija
• Netiesinė regresija (NLR) ir suvaržyta netiesinė regresija (CNLR)
• Svertinė mažiausių kvadratų regresija ir dviejų pakopų mažiausių kvadratų regresija
• Probit analizė

Tam tikrais atžvilgiais Regresijos modulis yra panašus į išplėstinės statistikos modulį – jūs naudojate šiuos metodus, kai neatitinkate standartinių prielaidų. Tačiau naudojant Regresijos modulį, šie metodai yra įmantrūs regresijos variantai, kai negalite atlikti įprastos mažiausiųjų kvadratų regresijos. Dvejetainė logistinė regresija yra populiari ir naudojama, kai priklausomasis kintamasis turi dvi kategorijas – pavyzdžiui, likti arba eiti (nusipirkti), pirkti ar nepirkti, susirgti arba nesusirgti.

Kategorijų modulis

Kategorijų modulis leidžia atskleisti ryšius tarp kategorinių duomenų. Kad būtų lengviau suprasti duomenis, modulis Kategorijos naudoja suvokimo atvaizdavimą, optimalų mastelio keitimą, nuostatų mastelį ir matmenų mažinimą. Naudodami šiuos metodus galite vizualiai interpretuoti eilučių ir stulpelių ryšius.

Kategorijų modulis atlieka eilinių ir vardinių duomenų analizę. Jame naudojamos procedūros, panašios į įprastinę regresiją, pagrindiniai komponentai ir kanoninė koreliacija. Jis atlieka regresiją naudodamas nominalų arba eilės kategorinį prognozės arba rezultatų kintamuosius.

Kategorijų modulio procedūros leidžia atlikti statistines operacijas su kategoriniais duomenimis:

• Naudodamiesi mastelio keitimo procedūromis, savo kategoriškiems duomenims galite priskirti matavimo vienetus ir nulinius taškus, o tai suteikia prieigą prie naujų statistinių funkcijų grupių, nes galite analizuoti kintamuosius naudodami mišrius matavimo lygius.
• Naudodami korespondencijos analizę galite skaitiniu būdu įvertinti vardinių kintamųjų panašumus ir apibendrinti duomenis pagal pasirinktus komponentus.
• Naudodami netiesinę kanoninę koreliacijos analizę, galite rinkti skirtingų matavimo lygių kintamuosius į savo rinkinius ir analizuoti rinkinius.

Naudodami šį modulį galite sukurti keletą naudingų įrankių:

• Suvokimo žemėlapis: didelės raiškos suvestinė diagrama, kuri naudojama kaip grafinis panašių kintamųjų arba kategorijų vaizdas. Suvokimo žemėlapis suteikia įžvalgų apie santykius tarp daugiau nei dviejų kategorinių kintamųjų.
• Biplot: suvestinė diagrama, leidžianti pažvelgti į produktų, klientų ir demografinių charakteristikų ryšius.

Duomenų paruošimo modulis

Pripažinkime: duomenų ruošimas nėra smagus. Imsimės visos pagalbos, kurią galime gauti. Joks modulis nepanaikins viso žmogaus darbo šioje žmogaus ir kompiuterio partnerystėje, tačiau duomenų paruošimo modulis pašalins kai kuriuos įprastinius, nuspėjamus aspektus.

Šis modulis padeda apdoroti duomenų eilutes ir stulpelius. Duomenų eilučių atveju tai padeda nustatyti nukrypimus, kurie gali iškraipyti duomenis. Kalbant apie kintamuosius, tai padeda nustatyti geriausius ir leidžia žinoti, kad kai kuriuos galėtumėte patobulinti juos transformuodami. Taip pat galite sukurti specialias patvirtinimo taisykles, kad pagreitintumėte duomenų tikrinimą ir išvengtumėte daug rankų darbo. Galiausiai tai padeda nustatyti trūkstamų duomenų šablonus.

Nuo 27 versijos duomenų paruošimo ir įkrovos moduliai yra bazinio leidimo dalis.

Sprendimų medžių modulis

Sprendimų medžiai yra pats populiariausias ir žinomiausias duomenų gavybos būdas. Tiesą sakant, visi programinės įrangos produktai yra skirti šiam požiūriui. Jei nesate tikri, ar jums reikia atlikti duomenų gavybą, bet norite tai išbandyti, sprendimų medžių modulio naudojimas būtų vienas geriausių būdų pabandyti gauti duomenis, nes jau žinote, kaip elgtis SPSS statistikoje. Modulis Sprendimų medžiai neturi visų sprendimų medžių funkcijų SPSS Modeler (visas programinės įrangos paketas, skirtas duomenų gavybai), tačiau čia yra daug dalykų, kad galėtumėte gerai pradėti.

Kas yra sprendimų medžiai? Na, idėja yra ta, kad turite kažką, ką norite nuspėti (tikslinis kintamasis) ir daugybę kintamųjų, kurie galbūt galėtų padėti tai padaryti, bet nežinote, kurie iš jų yra svarbiausi. SPSS nurodo, kurie kintamieji yra svarbiausi ir kaip kintamieji sąveikauja, ir padeda numatyti tikslinį kintamąjį ateityje.

SPSS palaiko keturis populiariausius sprendimų medžio algoritmus: CHAID, Exhaustive CHAID, C&RT ir QUEST.

Prognozavimo modulis

Galite naudoti Prognozavimo modulį, kad greitai sukurtumėte ekspertų laiko eilučių prognozes. Šiame modulyje yra statistiniai algoritmai, skirti analizuoti istorinius duomenis ir numatyti tendencijas. Galite nustatyti, kad vienu metu analizuotų šimtus skirtingų laiko eilučių, o ne kiekvienai iš jų atliktumėte atskirą procedūrą.

Programinė įranga skirta tvarkyti specialias situacijas, kylančias analizuojant tendencijas. Jis automatiškai nustato geriausiai tinkantį autoregresyvų integruotą slankųjį vidurkį (ARIMA) arba eksponentinį išlyginimo modelį. Jis automatiškai tikrina duomenis dėl sezoniškumo, pertrūkių ir trūkstamų verčių. Programinė įranga aptinka nuokrypius ir neleidžia jiems netinkamai paveikti rezultatų. Sukurti grafikai apima pasikliautinuosius intervalus ir parodo modelio tinkamumą.

Kai įgyjate prognozavimo patirties, Prognozavimo modulis leidžia geriau valdyti kiekvieną parametrą, kai kuriate duomenų modelį. Galite naudoti ekspertinį modeliuotoją Prognozavimo modulyje, kad rekomenduotumėte pradžios taškus arba patikrintumėte skaičiavimus, kuriuos atlikote rankomis.

Be to, algoritmas, vadinamas laikinuoju priežastiniu modeliavimu (TCM), bando atrasti pagrindinius priežastinius ryšius laiko eilučių duomenyse, įtraukdamas tik įvestis, kurios turi priežastinį ryšį su taikiniu. Tai skiriasi nuo tradicinio laiko eilučių modeliavimo, kai turite aiškiai nurodyti tikslinės serijos prognozes.

Trūkstamų verčių modulis

Atrodo, kad duomenų paruošimo modulyje trūksta verčių, tačiau trūkstamų reikšmių moduliai ir duomenų paruošimo moduliai yra gana skirtingi. Duomenų paruošimo modulis skirtas duomenų klaidų paieškai; jo patvirtinimo taisyklės parodys, ar duomenų taškas tiesiog netinkamas. Kita vertus, trūkstamų verčių modulis yra sutelktas į tai, kai nėra duomenų reikšmės. Ji bando įvertinti trūkstamą informaciją naudodama kitus jūsų turimus duomenis. Šis procesas vadinamas imputacija arba verčių pakeitimu pagrįsta spėjimu. Trūkstamų verčių modulis gali būti naudingas visų rūšių duomenų gavėjai, statistikai ir tyrėjai, ypač apklausų tyrėjai.

„Bootstrapping“ modulis

Laikykitės tvirtai, nes įgausime šiek tiek technikos. „Bootstrapping“ yra metodas, apimantis pakartotinį atranką su pakeitimu. Bootstrapping modulis atsitiktinai pasirenka atvejį, daro apie tai pastabas, pakeičia jį ir pasirenka kitą. Tokiu būdu galima pasirinkti atvejį daugiau nei vieną kartą arba iš viso nesirinkti. Grynasis rezultatas yra kita jūsų duomenų versija, kuri yra panaši, bet ne identiška. Jei tai padarysite 1000 kartų (numatytasis), iš tikrųjų galite padaryti keletą galingų dalykų.

„Bootstrapping“ modulis leidžia sukurti stabilesnius modelius, pašalinant iškrypimų poveikį ir kitas duomenų problemas. Tradicinėje statistikoje daroma prielaida, kad jūsų duomenys turi tam tikrą pasiskirstymą, tačiau taikant šią techniką tos prielaidos išvengiama. Rezultatas – tikslesnis suvokimas, kas vyksta populiacijoje. „Bootstrapping“ tam tikra prasme yra paprasta idėja, tačiau kadangi įkrovimas reikalauja daug kompiuterio arklio galių, dabar jis populiaresnis nei tada, kai kompiuteriai buvo lėtesni.

Bootstrapping yra populiari technika ir už SPSS ribų, todėl internete galite rasti straipsnių apie šią koncepciją. Bootstrapping modulis leidžia taikyti šią galingą koncepciją savo duomenims SPSS statistikoje.

Sudėtingų pavyzdžių modulis

Atranka yra didelė statistikos dalis. Paprastoji atsitiktinė imtis yra tai, ką mes paprastai galvojame kaip pavyzdys - kaip pasirinkti vardus iš skrybėlę. Skrybėlė yra jūsų populiacija, o jūsų pasirinktos popieriaus skiautės priklauso jūsų pavyzdžiui. Kiekvienas lapelis turi vienodas galimybes būti išrinktam. Tyrimai dažnai yra sudėtingesni. „Complex Sample“ modulis yra apie sudėtingesnes atrankos formas: dviejų pakopų, stratifikuotą ir pan.

Dažniausiai šio modulio reikia apklausų tyrėjams, nors jis taip pat gali būti naudingas daugeliui eksperimentuojančių tyrėjų. Sudėtingų pavyzdžių moduliai padeda kurti duomenų rinkimą, o tada skaičiuojant statistiką atsižvelgiama į dizainą. Beveik visa SPSS statistika apskaičiuojama darant prielaidą, kad duomenys yra paprasta atsitiktinė imtis. Jei ši prielaida nesilaikoma, jūsų skaičiavimai gali būti iškraipyti.

„Conjoint“ modulis

„Conjoint“ modulis suteikia galimybę nustatyti, kaip kiekvienas jūsų produkto atributas veikia vartotojų pageidavimus. Kai derinate bendrą analizę su konkurencingos rinkos produktų tyrimu, lengviau nustatyti produkto savybes, kurios yra svarbios jūsų klientams.

Atlikdami šį tyrimą galite nustatyti, kurios produkto savybės rūpi jūsų klientams, kurios jiems rūpi labiausiai ir kaip galite atlikti naudingus kainodaros ir prekės ženklo vertės tyrimus. Ir visa tai galite padaryti prieš patirdami naujų produktų pateikimo į rinką išlaidas.

Tiesioginės rinkodaros modulis

Tiesioginės rinkodaros modulis šiek tiek skiriasi nuo kitų. Tai susijusių funkcijų rinkinys burtininko aplinkoje. Modulis skirtas rinkodaros specialistams apsipirkti vienu langeliu. Pagrindinės funkcijos yra naujausio, dažnumo ir pinigų (RFM) analizė, klasterių analizė ir profiliavimas:

• RFM analizė: RFM analizė praneša jums apie tai, kaip neseniai, kaip dažnai ir kiek jūsų klientai išleido jūsų verslui. Akivaizdu, kad šiuo metu aktyvūs, daug išleidžiantys ir dažnai išleidžiantys klientai yra geriausi jūsų klientai.
• Klasterių analizė: Klasterių analizė yra būdas segmentuoti klientus į skirtingus klientų segmentus. Paprastai šį metodą naudojate norėdami pritaikyti skirtingas rinkodaros kampanijas skirtingiems klientams. Pavyzdžiui, kruizų kompanija gali išbandyti skirtingus kelionių katalogo viršelius, kurie pateikiami klientams, o nuotykių ieškotojai ant viršelio pavaizduoja Aliaską arba Norvegiją, o gėrimų skėčiai – Karibų jūros nuotraukas.
• Profiliavimas: profiliavimas padeda pamatyti, kurios kliento savybės yra susietos su konkrečiais rezultatais. Tokiu būdu galite apskaičiuoti polinkio balą, kurį konkretus klientas reaguos į konkrečią kampaniją. Beveik visas šias funkcijas galima rasti kitose SPSS srityse, tačiau tiesioginės rinkodaros modulio vedlio aplinka leidžia rinkodaros analitikams lengvai pasiekti naudingų rezultatų, kai jie nėra išsamiai mokomi statistikos, susijusios su metodais.

Tikslių testų modulis

Tikslių testų modulis leidžia tiksliau analizuoti mažus duomenų rinkinius ir duomenų rinkinius, kuriuose yra retų atvejų. Tai suteikia jums įrankius, reikalingus tokioms duomenų sąlygoms analizuoti tiksliau, nei būtų įmanoma kitu atveju.

Kai galimas tik nedidelis imties dydis, galite naudoti tikslių testų modulį, kad išanalizuoti mažesnę imtį ir labiau pasitikėti rezultatais. Čia idėja yra atlikti daugiau analizių per trumpesnį laiką. Šis modulis leidžia atlikti įvairias apklausas, o ne skirti laiko imčių rinkimui, kad padidintumėte savo apklausų bazę.

Naudojami procesai ir rezultatų formos yra tokios pačios kaip ir bazinėje SPSS sistemoje, tačiau vidiniai algoritmai pritaikyti darbui su mažesniais duomenų rinkiniais. Tikslių testų modulyje yra daugiau nei 30 testų, apimančių visus neparametrinius ir kategorinius testus, kuriuos paprastai naudojate didesniems duomenų rinkiniams. Įtraukiami vieno mėginio, dviejų imčių ir k mėginių testai su nepriklausomais arba susijusiais mėginiais, tinkamumo testai, nepriklausomumo testai ir susiejimo priemonės.

Neuroninių tinklų modulis

Nervų grynasis yra latticelike tinklas neuronlike mazgų, nustatytus pagal SPSS veikti kažką panašaus į gyvą smegenų neuronų. Jungtys tarp šių mazgų turi susietus svorius (santykinio poveikio laipsnius), kurie yra reguliuojami. Kai koreguojate ryšio svorį, tinklas mokosi.

Neuroninio tinklo modulyje mokymo algoritmas iteratyviai koreguoja svorius, kad tiksliai atitiktų faktinius duomenų ryšius. Idėja yra sumažinti klaidų skaičių ir maksimaliai padidinti tikslias prognozes. Skaičiavimo neuroniniame tinkle yra vienas neuronų sluoksnis, skirtas įvestims, o kitas - išvestims, tarp jų yra vienas ar keli paslėpti sluoksniai. Neuroninis tinklas gali būti naudojamas su kitomis statistinėmis procedūromis, kad būtų suteikta aiškesnė įžvalga.

Naudodami pažįstamą SPSS sąsają galite išgauti savo duomenis ryšiams. Pasirinkę procedūrą, nurodote priklausomus kintamuosius, kurie gali būti bet koks tęstinio ir kategorinio tipų derinys. Norėdami pasiruošti apdorojimui, išdėstykite neuroninio tinklo architektūrą, įskaitant skaičiavimo išteklius, kuriuos norite taikyti. Norėdami baigti pasiruošimą, pasirenkate, ką daryti su išvestimi:

• Rezultatus surašykite lentelėse.
• Grafiškai parodykite rezultatus diagramose.
• Įdėkite rezultatus į laikinuosius duomenų rinkinio kintamuosius.
• Eksportuokite modelius į XML formato failus.