Moduli, ki jih lahko dodate v SPSS

IBM SPSS Statistics je na voljo v obliki osnovnega sistema, vendar lahko pridobite dodatne module, ki jih dodate temu sistemu. SPSS je na voljo v različnih licenčnih izdajah : izdajah kampusa, naročniških načrtih in komercialnih izdajah. Čeprav se cene in različni paketi za vsakega razlikujejo, vam vsi omogočajo vključitev istih modulov dodatkov.

Če uporabljate kopijo SPSS v službi ali v univerzitetnem okolju, ki jo je namestil nekdo drug, boste morda imeli nekatere od teh dodatkov, ne da bi se tega zavedali, ker je večina tako popolnoma integrirana v menije, da izgledajo kot sestavni deli osnovni sistem. Če opazite, da so vaši meniji krajši ali daljši od kopije SPSS nekoga drugega, je to verjetno posledica dodatnih modulov.

Nekateri dodatki vas morda ne bodo zanimali; medtem ko bi drugi lahko postali nepogrešljivi. Upoštevajte, da če imate poskusno kopijo SPSS, ima verjetno vse module, vključno s tistimi, do katerih lahko izgubite dostop, ko pridobite svojo kopijo. Ta članek vas seznanja z moduli, ki jih je mogoče dodati v SPSS, in s tem, kaj počnejo; glejte dokumentacijo, ki je priložena vsakemu modulu za celotno vadnico.

Verjetno boste naleteli na imeni IBM SPSS Amos in IBM SPSS Modeler . Čeprav se SPSS pojavlja v imenih, te programe kupujete ločeno, ne kot dodatke. Amos se uporablja za modeliranje strukturnih enačb (SEM), SPSS Modeler pa je delovna miza za napovedno analitiko in strojno učenje.

Modul Napredna statistika

Sledi seznam statističnih tehnik, ki so del modula napredne statistike:

• Splošni linearni modeli (GLM)
• Generalizirani linearni modeli (GENLIN)
• Linearni mešani modeli
• Postopki generaliziranih ocenjevalnih enačb (GEE).
• Generalizirani linearni mešani modeli (GLMM)
• Postopki analize preživetja

Čeprav so ti postopki med najbolj naprednimi v SPSS, so nekateri precej priljubljeni. Na primer, hierarhično linearno modeliranje (HLM), ki je del linearnih mešanih modelov, je pogosto v izobraževalnih raziskavah. HLM modeli so statistični modeli, pri katerih se parametri razlikujejo na več kot eni ravni. Na primer, morda imate podatke, ki vključujejo informacije za študente in šole, v model HLM pa lahko hkrati vključite informacije iz obeh ravni.

Ključna točka je, da ta napredni statistični modul vsebuje specializirane tehnike, ki jih morate uporabiti, če ne izpolnjujete predpostavk navadne vanilije regresije in analize variance (ANOVA). Te tehnike so bolj okusa ANOVA. Analiza preživetja je tako imenovano modeliranje časa do dogodka, kot je ocena časa do smrti po diagnozi.

Modul Tabel po meri

Modul Tabel po meri je že leta najbolj priljubljen modul in z dobrim razlogom. Če morate v poročilo stisniti veliko informacij, potrebujete ta modul. Na primer, če izvajate raziskavo z anketami in želite poročati o celotni anketi v obliki tabele, vam lahko na pomoč priskoči modul Tabel po meri, ker vam omogoča enostavno predstavitev obsežnih informacij.

Pridobite brezplačno preizkusno kopijo SPSS Statistics z vsemi moduli in se prisilite, da preživite dober dan z uporabo modulov, ki jih nimate. Preverite, ali bi lahko katerikoli vidik poročanja, ki ga že izvajate, hitreje opravil z modulom Tabel po meri. Ponovite nedavno poročilo in preverite, koliko časa lahko prihranite.

Na naslednji sliki vidite preprosto tabelo frekvenc, ki prikazuje dve spremenljivki. Upoštevajte, da sta kategoriji za obe spremenljivki enaki.

Tabela frekvenc spremenljivk popustov.

Naslednja tabela je enakih podatkov, vendar je bila tabela ustvarjena z uporabo modula SPSS Custom Tables in je veliko boljša tabela.

Tabela spremenljivk popustov po meri.

Če mizo izdelujete sami, predstavitev morda ni pomembna. Če pa tabelo postavljate v poročilo, ki bo poslano drugim, potrebujete modul SPSS Custom Tables. Mimogrede, s prakso traja le nekaj sekund, da izdelamo različico po meri, in lahko uporabite Sintakso za nadaljnjo prilagoditev tabele!

Od različice 27 naprej je modul Tabel po meri del standardne izdaje.

Regresijski modul

Sledi seznam statističnih tehnik, ki so del modula Regresija:

• Multinomska in binarna logistična regresija
• Nelinearna regresija (NLR) in omejena nelinearna regresija (CNLR)
• Utežena regresija najmanjših kvadratov in dvostopenjska regresija najmanjših kvadratov
• Probit analiza

Na nek način je modul regresije podoben modulu napredne statistike – te tehnike uporabljate, ko ne izpolnjujete standardnih predpostavk. Vendar pa so z modulom Regresija tehnike modne različice regresije, ko ne morete narediti navadne regresije najmanjših kvadratov. Binarna logistična regresija je priljubljena in se uporablja, kadar ima odvisna spremenljivka dve kategoriji – na primer ostani ali pojdi (odmakni), kupi ali ne kupi, ali dobi bolezen ali ne zboliš.

Modul Kategorije

Modul Kategorije vam omogoča razkrivanje razmerij med vašimi kategoričnimi podatki. Za lažje razumevanje vaših podatkov modul Kategorije uporablja zaznavno preslikavo, optimalno skaliranje, prednostno skaliranje in zmanjšanje dimenzij. S temi tehnikami lahko vizualno interpretirate odnose med vrsticami in stolpci.

Modul Kategorije izvaja svojo analizo na rednih in imenskih podatkih. Uporablja postopke, podobne običajni regresiji, glavne komponente in kanonično korelacijo. Izvaja regresijo z uporabo nominalnih ali ordinalnih kategoričnih napovednikov ali spremenljivk izida.

Postopki modula Kategorije omogočajo izvajanje statističnih operacij nad kategorijskimi podatki:

• Z uporabo postopkov skaliranja lahko svojim kategoričnim podatkom dodelite merske enote in ničelne točke, kar vam omogoča dostop do novih skupin statističnih funkcij, saj lahko analizirate spremenljivke z uporabo mešanih merskih ravni.
• Z analizo korespondence lahko številčno ocenite podobnosti med nominalnimi spremenljivkami in povzamete svoje podatke glede na komponente, ki jih izberete.
• Z uporabo nelinearne kanonične korelacijske analize lahko zberete spremenljivke različnih merskih stopenj v lastne nize in nato analizirate nize.

Ta modul lahko uporabite za izdelavo nekaj uporabnih orodij:

• Zaznavni zemljevid: zbirni grafikon visoke ločljivosti, ki služi kot grafični prikaz podobnih spremenljivk ali kategorij. Zaznavni zemljevid vam daje vpogled v odnose med več kot dvema kategoričnima spremenljivkama.
• Biplot: povzetek grafikona, ki omogoča pregled odnosov med izdelki, strankami in demografskimi značilnostmi.

Modul za pripravo podatkov

Priznajmo si: priprava podatkov ni zabavna. Sprejeli bomo vso pomoč, ki jo lahko dobimo. Noben modul ne bo odstranil vsega dela za človeka v tem partnerstvu med človekom in računalnikom, modul za pripravo podatkov pa bo odstranil nekatere rutinske, predvidljive vidike.

Ta modul vam pomaga obdelovati vrstice in stolpce podatkov. Za vrstice podatkov vam pomaga prepoznati izstopajoče vrednosti, ki bi lahko izkrivile vaše podatke. Kar zadeva spremenljivke, vam pomaga prepoznati najboljše in vam daje vedeti, da bi lahko nekatere izboljšali s preoblikovanjem. Prav tako vam omogoča, da ustvarite posebna pravila za potrditev, da pospešite preverjanje podatkov in se izognete veliko ročnemu delu. Nazadnje vam pomaga prepoznati vzorce v vaših manjkajočih podatkih.

Od različice 27 sta modula Data Preparation in Bootstrapping del osnovne izdaje.

Modul drevesa odločanja

Drevesa odločanja so daleč najbolj priljubljena in dobro znana tehnika rudarjenja podatkov. Pravzaprav so temu pristopu namenjeni celotni programski izdelki. Če niste prepričani, ali morate izvesti rudarjenje podatkov, vendar ga želite preizkusiti, bi bila uporaba modula Decision Trees eden najboljših načinov za poskus podatkovnega rudarjenja, saj že poznate svojo pot v SPSS Statistics. Modul Decision Trees nima vseh funkcij drevesa odločanja v SPSS Modelerju (celoten programski paket, namenjen rudarjenju podatkov), vendar je tukaj veliko za dober začetek.

Kaj so drevesa odločanja? No, ideja je, da imate nekaj, kar želite predvideti (ciljna spremenljivka), in veliko spremenljivk, ki bi vam lahko pomagale pri tem, vendar ne veste, katere so najpomembnejše. SPSS označuje, katere spremenljivke so najpomembnejše in kako spremenljivke medsebojno delujejo, ter vam pomaga predvideti ciljno spremenljivko v prihodnosti.

SPSS podpira štiri najbolj priljubljene algoritme drevesa odločanja: CHAID, Exhaustive CHAID, C&RT in QUEST.

Modul za napovedovanje

Modul za napovedovanje lahko uporabite za hitro sestavljanje strokovnih napovedi časovnih vrst. Ta modul vključuje statistične algoritme za analizo preteklih podatkov in napovedovanje trendov. Nastavite ga lahko tako, da analizira na stotine različnih časovnih vrst hkrati, namesto da izvajate ločen postopek za vsako od njih.

Programska oprema je zasnovana za obvladovanje posebnih situacij, ki se pojavijo pri analizi trendov. Samodejno določi najbolj prilegajoče se avtoregresivno integrirano drseče povprečje (ARIMA) ali model eksponentnega glajenja. Samodejno preizkuša podatke glede sezonskosti, prekinitev in manjkajočih vrednosti. Programska oprema zazna izstopajoče in jim prepreči, da bi neupravičeno vplivali na rezultate. Ustvarjeni grafi vključujejo intervale zaupanja in kažejo dobro prileganje modela.

Ko pridobivate izkušnje pri napovedovanju, vam modul za napovedovanje omogoča večji nadzor nad vsakim parametrom, ko gradite svoj podatkovni model. S strokovnim modelarjem v modulu za napovedovanje lahko priporočate izhodišča ali preverite izračune, ki ste jih naredili ročno.

Poleg tega algoritem, imenovan časovno vzročno modeliranje (TCM), poskuša odkriti ključne vzročne zveze v podatkih časovne serije, tako da vključuje samo vhode, ki imajo vzročno zvezo s ciljem. To se razlikuje od tradicionalnega modeliranja časovnih vrst, kjer morate izrecno določiti napovedovalce za ciljno serijo.

Modul Manjkajoče vrednosti

Zdi se, da ima modul za pripravo podatkov pokrite manjkajoče vrednosti, vendar sta modula manjkajoče vrednosti in modul za pripravo podatkov precej različna. Modul za pripravo podatkov je namenjen iskanju podatkovnih napak; njegova pravila preverjanja vam bodo povedala, ali podatkovna točka preprosto ni prava. Modul Manjkajoče vrednosti pa je osredotočen na to, ko ni podatkovne vrednosti. Poskuša oceniti manjkajoči del informacij z uporabo drugih podatkov, ki jih imate. Ta proces se imenuje imputacija ali zamenjava vrednosti z ugibanjem. Modul Manjkajoče vrednosti lahko koristijo vsem vrstam podatkovnih rudarjev, statistikov in raziskovalcev – zlasti raziskovalcev anket.

Modul Bootstrapping

Drži se, ker bomo malo tehnični. Bootstrapping je tehnika, ki vključuje ponovno vzorčenje z zamenjavo. Modul Bootstrapping naključno izbere primer, naredi zapiske o njem, ga zamenja in izbere drugega. Na ta način je mogoče zadevo izbrati večkrat ali pa sploh ne. Končni rezultat je druga različica vaših podatkov, ki je podobna, vendar ni enaka. Če to storite 1000-krat (privzeto), lahko naredite nekaj močnih stvari.

Modul Bootstrapping vam omogoča, da zgradite stabilnejše modele, tako da premagate učinek izstopov in drugih težav v vaših podatkih. Tradicionalna statistika predvideva, da imajo vaši podatki določeno porazdelitev, vendar se ta tehnika izogiba tej predpostavki. Rezultat je bolj natančen občutek, kaj se dogaja v populaciji. Bootstrapping je v nekem smislu preprosta ideja, a ker zagon zahteva veliko računalniških konjskih moči, je zdaj bolj priljubljen kot takrat, ko so bili računalniki počasnejši.

Bootstrapping je priljubljena tehnika tudi zunaj SPSS, tako da lahko na spletu najdete članke o tem konceptu. Modul Bootstrapping vam omogoča uporabo tega močnega koncepta za svoje podatke v SPSS Statistics.

Modul kompleksnih vzorcev

Vzorčenje je velik del statistike. Slučajni vzorec je tisto, kar ponavadi misliti kot vzorec - tako kot izbiro imena iz klobuka. Klobuk je vaša populacija in ostanki papirja, ki jih izberete, pripadajo vašemu vzorcu. Vsak listek ima enake možnosti, da bo izbran. Raziskave so pogosto bolj zapletene od tega. Modul Kompleksni vzorec se nanaša na bolj zapletene oblike vzorčenja: dvostopenjsko, stratificirano itd.

Ta modul najpogosteje potrebujejo raziskovalci, čeprav bi ga lahko koristile tudi številne vrste eksperimentalnih raziskovalcev. Moduli Complex Samples vam pomagajo oblikovati zbiranje podatkov, nato pa načrt upoštevajo pri izračunu vaše statistike. Skoraj vse statistike v SPSS so izračunane ob predpostavki, da so podatki preprost naključni vzorec. Vaši izračuni se lahko popačijo, če ta predpostavka ni izpolnjena.

Modul Conjoint

Modul Conjoint vam omogoča, da ugotovite, kako vsak atribut vašega izdelka vpliva na preferenco potrošnikov. Ko kombinirate analizo s konkurenčnimi tržnimi raziskavami izdelkov, se je lažje osredotočiti na značilnosti izdelka, ki so pomembne za vaše stranke.

S to raziskavo lahko ugotovite, katere atribute izdelka skrbijo vaše stranke, katere jim je najbolj mar in kako lahko naredite uporabne študije o cenah in lastništvu blagovne znamke. In vse to lahko storite, preden nosite stroške uvajanja novih izdelkov na trg.

Modul za neposredno trženje

Modul neposrednega trženja se nekoliko razlikuje od ostalih. To je sveženj sorodnih funkcij v čarovniškem okolju. Modul je zasnovan tako, da tržnikom omogoča nakupovanje na enem mestu. Glavne značilnosti so analiza nedavnosti, pogostosti in denarne (RFM), analiza grozdov in profiliranje:

• Analiza RFM: analiza RFM vam poroča o tem, kako nedavno, kako pogosto in koliko so vaše stranke porabile za vaše podjetje. Očitno so stranke, ki so trenutno aktivne, veliko zapravljajo in pogosto porabijo, vaše najboljše stranke.
• Analiza grozdov: analiza grozdov je način segmentiranja vaših strank v različne segmente strank. Običajno uporabite ta pristop, da povežete različne marketinške kampanje z različnimi strankami. Na primer, družba za križarjenje lahko preizkusi različne naslovnice potovalnega kataloga, ki gre strankam, pri čemer pustolovski tipi dobijo na naslovnici Aljasko ali Norveško, množica dežnikov pa slike Karibov.
• Profiliranje: profiliranje vam pomaga videti, katere značilnosti strank so povezane z določenimi rezultati. Na ta način lahko izračunate oceno nagnjenosti, da se bo določena stranka odzvala na določeno kampanjo. Skoraj vse te funkcije je mogoče najti na drugih področjih SPSS, vendar čarovniško okolje modula neposrednega trženja marketinškim analitikom olajša ustvarjanje koristnih rezultatov, če nimajo obsežnega usposabljanja o statistiki, ki stoji za tehnikami.

Modul Exact Tests

Modul Exact Tests omogoča natančnejšo analizo majhnih podatkovnih nizov in nizov podatkov, ki vsebujejo redke pojave. Omogoča vam orodja, ki jih potrebujete za analizo takšnih podatkovnih pogojev z večjo natančnostjo, kot bi bilo sicer mogoče.

Če je na voljo le majhna velikost vzorca, lahko uporabite modul Exact Tests za analizo manjšega vzorca in več zaupanja v rezultate. Tukaj je ideja, da se izvede več analiz v krajšem časovnem obdobju. Ta modul vam omogoča izvajanje različnih raziskav, namesto da bi porabili čas za zbiranje vzorcev, da bi razširili svojo bazo anket.

Procesi, ki jih uporabljate, in oblike rezultatov so enaki tistim v osnovnem sistemu SPSS, vendar so notranji algoritmi prilagojeni za delo z manjšimi nizi podatkov. Modul Exact Tests ponuja več kot 30 testov, ki pokrivajo vse neparametrične in kategorične teste, ki jih običajno uporabljate za večje nabore podatkov. Vključeni so testi enega vzorca, dveh vzorcev in k-vzorca z neodvisnimi ali povezanimi vzorci, testi dobrote prileganja, testi neodvisnosti in merili povezovanja.

Modul nevronskih omrežij

Nevronska mreža je latticelike mreža neuronlike vozlišč, ustanovljenih v SPSS, da deluje nekaj podobnega nevronov v dnevni možganih. Povezave med temi vozlišči imajo povezane uteži (stopnje relativnega učinka), ki so nastavljive. Ko prilagodite težo povezave, se omrežje uči.

V modulu nevronske mreže algoritem za usposabljanje iterativno prilagaja uteži, da se tesno ujemajo z dejanskimi razmerji med podatki. Ideja je zmanjšati napake in povečati natančne napovedi. Računalniška nevronska mreža ima eno plast nevronov za vhode in drugo za izhode, med njimi pa je ena ali več skritih plasti. Nevronsko omrežje se lahko uporablja z drugimi statističnimi postopki za bolj jasen vpogled.

Z uporabo znanega vmesnika SPSS lahko rudarite svoje podatke za odnose. Po izbiri postopka določite odvisne spremenljivke, ki so lahko poljubna kombinacija neprekinjenih in kategoričnih tipov. Za pripravo na obdelavo postavite arhitekturo nevronske mreže, vključno z računalniškimi viri, ki jih želite uporabiti. Za dokončanje priprave izberete, kaj storiti z izhodom:

• Navedite rezultate v tabelah.
• Grafično prikažite rezultate v grafikonih.
• Postavite rezultate v začasne spremenljivke v naboru podatkov.
• Izvozite modele v datoteke, oblikovane v XML.