Moduļi, kurus varat pievienot SPSS

IBM SPSS Statistics ir bāzes sistēmas veidā, taču jūs varat iegādāties papildu moduļus, ko pievienot šai sistēmai. SPSS ir pieejams dažādos licencēšanas izdevumos : universitātes pilsētiņas izdevumos, abonēšanas plānos un komerciālajos izdevumos. Lai gan cenas un dažādie komplekti katram atšķiras, tie visi ļauj iekļaut vienus un tos pašus papildinājumu moduļus.

Ja izmantojat SPSS kopiju darbā vai universitātes vidē, ko instalējis kāds cits, jums var būt daži no šiem papildinājumiem, to neapzinoties, jo vairums no tiem ir tik pilnībā integrēti izvēlnēs, ka izskatās kā neatņemamas bāzes sistēma. Ja pamanāt, ka jūsu izvēlnes ir īsākas vai garākas nekā kāda cita SPSS kopija, iespējams, tas ir saistīts ar papildinājumu moduļiem.

Daži papildinājumi var jūs neinteresēt; kamēr citi varētu kļūt neaizstājami. Ņemiet vērā: ja jums ir SPSS izmēģinājuma kopija, tajā, iespējams, ir visi moduļi, tostarp tie, kuriem jūs varētu zaudēt piekļuvi, iegādājoties savu kopiju. Šis raksts iepazīstina jūs ar moduļiem, kurus var pievienot SPSS, un to darbību; pilnu apmācību skatiet katra moduļa komplektācijā iekļautajā dokumentācijā.

Visticamāk, jūs saskarsities ar nosaukumiem IBM SPSS Amos un IBM SPSS Modeler . Lai gan nosaukumos parādās SPSS , jūs iegādājaties šīs programmas atsevišķi, nevis kā papildinājumus. Amos tiek izmantots strukturālo vienādojumu modelēšanai (SEM), un SPSS modelētājs ir paredzamās analīzes un mašīnmācīšanās darbgalds.

Papildu statistikas modulis

Tālāk ir sniegts statistikas metožu saraksts, kas ir daļa no uzlabotās statistikas moduļa:

• Vispārīgi lineārie modeļi (GLM)
• Vispārējie lineārie modeļi (GENLIN)
• Lineāri jaukti modeļi
• Vispārējo novērtēšanas vienādojumu (GEE) procedūras
• Ģeneralizēti lineāri jaukti modeļi (GLMM)
• Izdzīvošanas analīzes procedūras

Lai gan šīs procedūras ir vienas no vismodernākajām SPSS, dažas ir diezgan populāras. Piemēram, hierarhiskā lineārā modelēšana (HLM), kas ir daļa no lineāriem jauktiem modeļiem, ir izplatīta izglītības pētījumos. HLM modeļi ir statistikas modeļi, kuros parametri atšķiras vairāk nekā vienā līmenī. Piemēram, jums var būt dati, kas ietver informāciju gan par skolēniem, gan skolām, un HLM modelī varat vienlaikus iekļaut informāciju no abiem līmeņiem.

Galvenais ir tas, ka šis uzlabotās statistikas modulis satur specializētas metodes, kas jums jāizmanto, ja neatbilstat pieņēmumiem par vienkāršu vaniļas regresiju un dispersijas analīzi (ANOVA). Šīs metodes vairāk atgādina ANOVA garšu. Izdzīvošanas analīze ir tā sauktā laika līdz notikumam modelēšana, piemēram, laika noteikšana līdz nāvei pēc diagnozes noteikšanas.

Pielāgoto tabulu modulis

Pielāgoto tabulu modulis ir bijis vispopulārākais modulis gadiem ilgi, un tas ir pamatota iemesla dēļ. Ja pārskatā nepieciešams izspiest daudz informācijas, jums ir nepieciešams šis modulis. Piemēram, ja veicat aptauju izpēti un vēlaties ziņot par visu aptauju tabulas veidā, pielāgoto tabulu modulis var jums palīdzēt, jo tas ļauj viegli sniegt plašu informāciju.

Iegūstiet bezmaksas SPSS Statistics izmēģinājuma kopiju ar visiem moduļiem un piespiediet sevi pavadīt veselu dienu, izmantojot moduļus, kuru jums nav. Noskaidrojiet, vai ar pielāgoto tabulu moduli var ātrāk veikt kādu no jau veiktajiem pārskatu veidošanas aspektiem. Reproducējiet jaunāko pārskatu un uzziniet, cik daudz laika jūs varētu ietaupīt.

Nākamajā attēlā ir redzama vienkārša biežuma tabula, kurā parādīti divi mainīgie. Ņemiet vērā, ka abu mainīgo kategorijas ir vienādas.

Atlaižu mainīgo biežumu tabula.

Nākamajā tabulā ir tie paši dati, taču šeit tabula tika izveidota, izmantojot SPSS pielāgoto tabulu moduli, un tā ir daudz labāka tabula.

Pielāgota atlaides mainīgo tabula.

Ja tabulu veidojat sev, prezentācijai var nebūt nozīmes. Bet, ja ievietojat tabulu pārskatā, kas tiks nosūtīts citiem, jums ir nepieciešams SPSS pielāgoto tabulu modulis. Starp citu, praksē pielāgotās versijas izveide aizņem tikai dažas sekundes, un jūs varat izmantot sintaksi, lai vēl vairāk pielāgotu tabulu!

Sākot ar versiju 27, pielāgoto tabulu modulis ir daļa no standarta izdevuma.

Regresijas modulis

Tālāk ir sniegts to statistikas metožu saraksts, kas ir daļa no regresijas moduļa.

• Multinomiālā un binārā loģistiskā regresija
• Nelineārā regresija (NLR) un ierobežotā nelineārā regresija (CNLR)
• Svērtā mazāko kvadrātu regresija un divpakāpju mazāko kvadrātu regresija
• Probitu analīze

Dažos veidos Regresijas modulis ir līdzīgs uzlabotās statistikas modulim — jūs izmantojat šīs metodes, ja neatbilstat standarta pieņēmumiem. Tomēr, izmantojot Regresijas moduli, šīs metodes ir izdomāti regresijas varianti, kad nevar veikt parasto mazāko kvadrātu regresiju. Binārā loģistiskā regresija ir populāra un tiek izmantota, ja atkarīgajam mainīgajam ir divas kategorijas — piemēram, palikt vai aiziet (pārtraukt), pirkt vai nepirkt vai saslimt vai nesaslimt.

Kategoriju modulis

Kategoriju modulis ļauj atklāt attiecības starp jūsu kategoriskiem datiem. Lai palīdzētu jums izprast savus datus, modulis Kategorijas izmanto uztveres kartēšanu, optimālu mērogošanu, preferenču mērogošanu un dimensiju samazināšanu. Izmantojot šīs metodes, varat vizuāli interpretēt rindu un kolonnu attiecības.

Kategoriju modulis veic savu analīzi uz kārtas un nominālajiem datiem. Tas izmanto procedūras, kas līdzīgas parastajai regresijai, galvenajiem komponentiem un kanoniskajai korelācijai. Tā veic regresiju, izmantojot nominālos vai kārtas kategoriskos prognozētājus vai iznākuma mainīgos.

Kategoriju moduļa procedūras ļauj veikt statistiskās darbības ar kategoriskiem datiem:

• Izmantojot mērogošanas procedūras, saviem kategoriskiem datiem varat piešķirt mērvienības un nulles punktus, kas sniedz piekļuvi jaunām statistisko funkciju grupām, jo ​​varat analizēt mainīgos, izmantojot jauktos mērījumu līmeņus.
• Izmantojot atbilstības analīzi, varat skaitliski novērtēt nominālo mainīgo līdzības un apkopot datus atbilstoši atlasītajiem komponentiem.
• Izmantojot nelineāro kanonisko korelācijas analīzi, varat savākt dažādu mērījumu līmeņu mainīgos savās kopās un pēc tam analizēt kopas.

Varat izmantot šo moduli, lai izveidotu dažus noderīgus rīkus:

• Uztveres karte: augstas izšķirtspējas kopsavilkuma diagramma, kas kalpo kā līdzīgu mainīgo vai kategoriju grafisks attēlojums. Uztveres karte sniedz ieskatu attiecībās starp vairāk nekā diviem kategoriskiem mainīgajiem.
• Biplot: kopsavilkuma diagramma, kas ļauj aplūkot attiecības starp produktiem, klientiem un demogrāfiskajām īpašībām.

Datu sagatavošanas modulis

Atzīsim: datu sagatavošana nav jautra. Mēs izmantosim visu iespējamo palīdzību. Neviens modulis nenovērsīs visu cilvēka un datora partnerības darbu, bet datu sagatavošanas modulis novērsīs dažus parastos, paredzamos aspektus.

Šis modulis palīdz apstrādāt datu rindas un kolonnas. Datu rindām tas palīdz noteikt novirzes, kas var izkropļot jūsu datus. Kas attiecas uz mainīgajiem lielumiem, tas palīdz noteikt labākos un norāda, ka dažus varētu uzlabot, tos pārveidojot. Tas arī ļauj izveidot īpašus validācijas noteikumus, lai paātrinātu datu pārbaudes un izvairītos no liela manuāla darba. Visbeidzot, tas palīdz noteikt trūkstošo datu modeļus.

Sākot ar versiju 27, datu sagatavošanas un sāknēšanas moduļi ir daļa no bāzes izdevuma.

Lēmumu koku modulis

Lēmumu koki līdz šim ir vispopulārākais un pazīstamākais datu ieguves paņēmiens. Faktiski šai pieejai ir veltīti visi programmatūras produkti. Ja neesat pārliecināts, vai jums ir jāveic datu ieguve, bet vēlaties to izmēģināt, Moduļa Lēmumu koki izmantošana būtu viens no labākajiem veidiem, kā mēģināt iegūt datu ieguvi, jo jūs jau zināt, kā rīkoties ar SPSS statistiku. Modulim Decision Trees nav visu SPSS Modeler (visa programmatūras pakotne, kas paredzēta datu ieguvei) lēmumu pieņemšanas koku iespējas, taču šeit ir daudz līdzekļu, lai sniegtu jums labu sākumu.

Kas ir lēmumu koki? Ideja ir tāda, ka jums ir kaut kas, ko vēlaties paredzēt (mērķa mainīgais), un daudz mainīgo, kas, iespējams, varētu jums palīdzēt to izdarīt, taču jūs nezināt, kuri no tiem ir vissvarīgākie. SPSS norāda, kuri mainīgie ir vissvarīgākie un kā mainīgie mijiedarbojas, un palīdz prognozēt mērķa mainīgo nākotnē.

SPSS atbalsta četrus populārākos lēmumu koku algoritmus: CHAID, Exhaustive CHAID, C&RT un QUEST.

Prognozēšanas modulis

Varat izmantot Prognozēšanas moduli, lai ātri izveidotu ekspertu laika rindu prognozes. Šajā modulī ir iekļauti statistikas algoritmi vēsturisko datu analīzei un tendenču prognozēšanai. Varat iestatīt, lai vienlaikus analizētu simtiem dažādu laika rindu, nevis katrai veiktu atsevišķu procedūru.

Programmatūra ir izstrādāta, lai risinātu īpašās situācijas, kas rodas tendenču analīzē. Tas automātiski nosaka vispiemērotāko autoregresīvo integrēto mainīgo vidējo (ARIMA) vai eksponenciālās izlīdzināšanas modeli. Tas automātiski pārbauda datus, lai noteiktu sezonalitāti, pārtraukumus un trūkstošās vērtības. Programmatūra atklāj novirzes un neļauj tām nepamatoti ietekmēt rezultātus. Ģenerētie grafiki ietver ticamības intervālus un norāda modeļa piemērotību.

Iegūstot pieredzi prognozēšanā, prognožu modulis sniedz jums lielāku kontroli pār katru parametru, kad veidojat datu modeli. Varat izmantot ekspertu modelētāju prognožu modulī, lai ieteiktu sākumpunktus vai pārbaudītu aprēķinus, ko esat veicis ar roku.

Turklāt algoritms ar nosaukumu Temporal Causal Modeling (TCM) mēģina atklāt galvenās cēloņsakarības laika rindu datos, iekļaujot tikai ievades datus, kuriem ir cēloņsakarība ar mērķi. Tas atšķiras no tradicionālās laikrindu modelēšanas, kur jums ir skaidri jānorāda mērķa sērijas prognozētāji.

Trūkstošo vērtību modulis

Šķiet, ka datu sagatavošanas modulī trūkst vērtību, taču trūkstošo vērtību modulis un datu sagatavošanas modulis ir diezgan atšķirīgi. Datu sagatavošanas modulis ir par datu kļūdu atrašanu; tā validācijas noteikumi jums pateiks, vai datu punkts vienkārši nav pareizs. No otras puses, trūkstošo vērtību modulis ir vērsts uz gadījumiem, kad datu vērtības nav. Tas mēģina novērtēt trūkstošo informāciju, izmantojot citus datus, kas jums ir. Šo procesu sauc par imputāciju vai vērtību aizstāšanu ar pamatotu minējumu. Visu veidu datu ieguvēji, statistiķi un pētnieki — īpaši aptauju pētnieki — var gūt labumu no Trūkstošo vērtību moduļa.

Bootstrapping modulis

Pagaidiet, jo mēs iegūsim nedaudz tehnisko. Bootstrapping ir paņēmiens, kas ietver atkārtotu iztveršanu ar aizstāšanu. Bootstrapping modulis nejauši izvēlas lietu, izveido par to piezīmes, aizstāj to un izvēlas citu. Tādā veidā ir iespējams izvēlēties lietu vairāk nekā vienu reizi vai nemaz. Neto rezultāts ir cita jūsu datu versija, kas ir līdzīga, bet nav identiska. Ja to darāt 1000 reižu (noklusējums), jūs patiešām varat paveikt dažas spēcīgas lietas.

Bootstrapping modulis ļauj izveidot stabilākus modeļus, pārvarot novirzes un citas problēmas jūsu datos. Tradicionālā statistika pieņem, ka jūsu datiem ir noteikts sadalījums, taču šī metode ļauj izvairīties no šāda pieņēmuma. Rezultāts ir precīzāka izpratne par to, kas notiek iedzīvotāju vidū. Bootstrapping savā ziņā ir vienkārša ideja, taču, tā kā sāknēšana paņem daudz datora zirgspēku, tagad tā ir populārāka nekā tad, kad datori bija lēnāki.

Bootstrapping ir populārs paņēmiens arī ārpus SPSS, tāpēc tīmeklī varat atrast rakstus par šo koncepciju. Bootstrapping modulis ļauj izmantot šo jaudīgo koncepciju saviem datiem pakalpojumā SPSS Statistics.

Sarežģīto paraugu modulis

Izlase ir liela statistikas daļa. Vienkārši nejauša izlase ir tas, ko mēs parasti domājam par kā paraugu - tāpat, izvēloties vārdus no cepuri. Cepure ir jūsu populācija, un jūsu izvēlētie papīra lūžņi pieder jūsu izlasei. Katrai papīra lapiņai ir vienādas iespējas tikt izvēlētam. Pētījumi bieži vien ir sarežģītāki. Sarežģīto paraugu modulis ir par sarežģītākām paraugu ņemšanas formām: divpakāpju, stratificētu un tā tālāk.

Visbiežāk šis modulis ir nepieciešams aptauju pētniekiem, lai gan no tā var gūt labumu arī daudzi eksperimentālie pētnieki. Sarežģīto paraugu moduļi palīdz jums izveidot datu vākšanu un pēc tam ņem to vērā, aprēķinot statistiku. Gandrīz visa SPSS statistika tiek aprēķināta, pieņemot, ka dati ir vienkārša nejauša izlase. Ja šis pieņēmums netiek izpildīts, jūsu aprēķini var tikt izkropļoti.

Apvienotais modulis

Conjoint modulis nodrošina veidu, kā noteikt, kā katrs jūsu produkta atribūts ietekmē patērētāju izvēli. Apvienojot kopīgu analīzi ar konkurētspējīga tirgus produktu izpēti, ir vieglāk noskaidrot produkta īpašības, kas ir svarīgas jūsu klientiem.

Izmantojot šo izpēti, varat noteikt, kuri produktu atribūti ir svarīgi jūsu klientiem, kuri no tiem rūp visvairāk, un kā jūs varat veikt noderīgus pētījumus par cenām un zīmola vērtību. Un to visu varat izdarīt, pirms rodas izdevumi par jaunu produktu laišanu tirgū.

Tiešā mārketinga modulis

Tiešā mārketinga modulis nedaudz atšķiras no citiem. Tas ir saistītu līdzekļu kopums vedņa vidē. Modulis ir izstrādāts tā, lai mārketinga speciālistiem būtu vienas pieturas iepirkšanās iespējas. Galvenās iezīmes ir jaunākā, biežuma un monetārā (RFM) analīze, klasteru analīze un profilēšana.

• RFM analīze: RFM analīze sniedz jums ziņojumus par to, cik nesen, cik bieži un cik daudz jūsu klienti iztērēja jūsu uzņēmumam. Acīmredzot klienti, kuri pašlaik ir aktīvi, tērē daudz un bieži tērē, ir jūsu labākie klienti.
• Klasteru analīze: Klasteru analīze ir veids, kā segmentēt klientus dažādos klientu segmentos. Parasti jūs izmantojat šo pieeju, lai pielāgotu dažādas mārketinga kampaņas dažādiem klientiem. Piemēram, kruīzu kompānija var izmēģināt dažādus ceļojumu kataloga vākus, kas tiek izsūtīti klientiem, un piedzīvojumu meklētāji uz vāka ir Aļaska vai Norvēģija, bet lietussargu dzērienu pūlis iegūst Karību jūras attēlus.
• Profilēšana: Profilēšana palīdz redzēt, kuras klientu īpašības ir saistītas ar konkrētiem rezultātiem. Tādā veidā jūs varat aprēķināt noslieces rādītāju, kādu konkrēts klients reaģēs uz konkrētu kampaņu. Praktiski visas šīs funkcijas var atrast citās SPSS jomās, taču tiešā mārketinga moduļa vedņa vide ļauj mārketinga analītiķiem viegli iegūt noderīgus rezultātus, ja viņiem nav plašas apmācības par šo metožu statistiku.

Precīzu testu modulis

Precīzu testu modulis sniedz iespēju precīzāk analizēt nelielas datu kopas un datu kopas, kurās ir reti sastopami gadījumi. Tas nodrošina nepieciešamos rīkus, lai analizētu šādus datu apstākļus ar lielāku precizitāti, nekā tas būtu iespējams.

Ja ir pieejams tikai neliels izlases lielums, varat izmantot moduli Exact Tests, lai analizētu mazāko paraugu un iegūtu lielāku pārliecību par rezultātiem. Šeit ideja ir veikt vairāk analīžu īsākā laika periodā. Šis modulis ļauj veikt dažādas aptaujas, nevis tērēt laiku paraugu vākšanai, lai paplašinātu savu aptauju bāzi.

Izmantotie procesi un rezultātu formas ir tādas pašas kā pamata SPSS sistēmā, taču iekšējie algoritmi ir pielāgoti darbam ar mazākām datu kopām. Modulis Exact Tests nodrošina vairāk nekā 30 testus, kas aptver visus neparametriskos un kategoriskos testus, ko parasti izmantojat lielākām datu kopām. Iekļauti viena parauga, divu paraugu un k-izlases testi ar neatkarīgiem vai saistītiem paraugiem, piemērotības testi, neatkarības testi un asociācijas mēri.

Neironu tīklu modulis

Neironu tīkls ir latticelike tīkls neuronlike mezglu, kas izveidota saskaņā SPSS rīkoties kaut kā neironu dzīvojamās smadzenēs. Savienojumiem starp šiem mezgliem ir saistīti svari (relatīvas ietekmes pakāpes), kas ir regulējami. Pielāgojot savienojuma svaru, tiek teikts, ka tīkls mācās.

Neironu tīkla modulī apmācības algoritms iteratīvi pielāgo svarus, lai tie precīzi atbilstu faktiskajām datu attiecībām. Ideja ir samazināt kļūdas un maksimāli palielināt precīzas prognozes. Skaitļošanas neironu tīklā ir viens neironu slānis ieejām un otrs izvadiem, starp tiem ir viens vai vairāki slēptie slāņi. Neironu tīklu var izmantot kopā ar citām statistikas procedūrām, lai sniegtu skaidrāku ieskatu.

Izmantojot pazīstamo SPSS saskarni, varat iegūt savus datus attiecībām. Pēc procedūras atlasīšanas jūs norādāt atkarīgos mainīgos, kas var būt jebkura nepārtrauktu un kategorisku tipu kombinācija. Lai sagatavotos apstrādei, jums ir jāizklāsta neironu tīkla arhitektūra, tostarp skaitļošanas resursi, kurus vēlaties lietot. Lai pabeigtu sagatavošanu, jūs izvēlaties, ko darīt ar izvadi:

• Norādiet rezultātus tabulās.
• Grafiski attēlojiet rezultātus diagrammās.
• Ievietojiet rezultātus datu kopā pagaidu mainīgajos.
• Eksportējiet modeļus XML formāta failos.