Moduly, ktoré môžete pridať do SPSS

IBM SPSS Statistics prichádza vo forme základného systému, ale môžete získať ďalšie moduly na pridanie do tohto systému. SPSS je k dispozícii v rôznych licenčných edíciách : edície pre kampus, plány predplatného a komerčné edície. Hoci sa ceny a rôzne balíky pre každý líšia, všetky vám umožňujú zahrnúť rovnaké prídavné moduly.

Ak používate kópiu SPSS v práci alebo v univerzitnom prostredí, ktorú si nainštaloval niekto iný, možno máte niektoré z týchto doplnkov bez toho, aby ste si to uvedomovali, pretože väčšina z nich je tak plne integrovaná do menu, že vyzerajú ako neoddeliteľné súčasti základný systém. Ak si všimnete, že vaše menu sú kratšie alebo dlhšie ako iná kópia SPSS, je to pravdepodobne spôsobené prídavnými modulmi.

Niektoré doplnky vás nemusia zaujímať; zatiaľ čo iní by sa mohli stať nepostrádateľnými. Upozorňujeme, že ak máte skúšobnú kópiu SPSS, pravdepodobne obsahuje všetky moduly, vrátane tých, ku ktorým môžete stratiť prístup, keď získate svoju vlastnú kópiu. Tento článok vám predstaví moduly, ktoré je možné pridať do SPSS a čo robia; úplný návod nájdete v dokumentácii dodávanej s každým modulom.

Pravdepodobne sa stretnete s názvami IBM SPSS Amos a IBM SPSS Modeler . Hoci sa SPSS objavuje v názvoch, tieto programy si kupujete samostatne, nie ako doplnky. Amos sa používa na modelovanie štruktúrnych rovníc (SEM) a SPSS Modeler je prediktívna analytika a pracovný stôl strojového učenia.

Modul Pokročilá štatistika

Nasleduje zoznam štatistických techník, ktoré sú súčasťou modulu Rozšírená štatistika:

• Všeobecné lineárne modely (GLM)
• Generalizované lineárne modely (GENLIN)
• Lineárne zmiešané modely
• Postupy zovšeobecnených odhadových rovníc (GEE).
• Generalizované lineárne zmiešané modely (GLMM)
• Postupy analýzy prežitia

Aj keď tieto postupy patria medzi najpokročilejšie v SPSS, niektoré sú dosť populárne. Napríklad hierarchické lineárne modelovanie (HLM), súčasť lineárnych zmiešaných modelov, je bežné vo výskume vzdelávania. Modely HLM sú štatistické modely, v ktorých sa parametre líšia na viac ako jednej úrovni. Napríklad môžete mať údaje, ktoré obsahujú informácie pre študentov aj školy a v modeli HLM môžete súčasne začleniť informácie z oboch úrovní.

Kľúčovým bodom je, že tento modul Advanced Statistical obsahuje špecializované techniky, ktoré musíte použiť, ak nespĺňate predpoklady plain-vanilla regresie a analýzy rozptylu (ANOVA). Tieto techniky sú skôr príchuťou ANOVA. Analýza prežitia je takzvané modelovanie času do udalosti, ako je odhad času do smrti po diagnóze.

Modul Vlastné tabuľky

Modul Custom Tables je už roky najobľúbenejším modulom a má na to dobrý dôvod. Ak potrebujete do správy vtesnať veľa informácií, potrebujete tento modul. Napríklad, ak robíte prieskum prieskumu a chcete podať správu o celom prieskume v tabuľkovej forme, modul Vlastné tabuľky vám môže pomôcť, pretože vám umožňuje jednoducho prezentovať rozsiahle informácie.

Získajte bezplatnú skúšobnú kópiu SPSS Statistics so všetkými modulmi a prinútiť sa stráviť pekný deň s modulmi, ktoré nemáte. Zistite, či by sa niektorý aspekt vytvárania prehľadov, ktorý už robíte, nedal urobiť rýchlejšie pomocou modulu Vlastné tabuľky. Zopakujte si najnovšiu správu a zistite, koľko času môžete ušetriť.

Na nasledujúcom obrázku vidíte jednoduchú tabuľku frekvencií zobrazujúcu dve premenné. Všimnite si, že kategórie pre obe premenné sú rovnaké.

Tabuľka frekvencií diskontných premenných.

Nasledujúca tabuľka obsahuje rovnaké údaje, ale tu bola tabuľka vytvorená pomocou modulu SPSS Custom Tables a je oveľa lepšou tabuľkou.

Vlastná tabuľka premenných zliav.

Ak vyrábate stôl pre seba, na prezentácii nemusí záležať. Ak však tabuľku vkladáte do správy, ktorá sa odošle ostatným, potrebujete modul SPSS Custom Tables. Mimochodom, s praxou trvá vytvorenie vlastnej verzie len niekoľko sekúnd a na ďalšie prispôsobenie tabuľky môžete použiť syntax!

Od verzie 27 je modul Custom Tables súčasťou štandardnej edície.

Regresný modul

Nasleduje zoznam štatistických techník, ktoré sú súčasťou modulu Regresie:

• Multinomická a binárna logistická regresia
• Nelineárna regresia (NLR) a obmedzená nelineárna regresia (CNLR)
• Vážená regresia najmenších štvorcov a dvojstupňová regresia najmenších štvorcov
• Probitová analýza

V niektorých ohľadoch je modul Regresie podobný modulu Rozšírená štatistika – tieto techniky používate, keď nespĺňate štandardné predpoklady. S modulom Regresie sú však techniky vymyslenými variantmi regresie, keď nemôžete robiť obyčajnú regresiu najmenších štvorcov. Binárna logistická regresia je populárna a používa sa, keď má závislá premenná dve kategórie – napríklad zostať alebo ísť (minúť), kúpiť alebo nekúpiť, alebo dostať chorobu alebo neochorieť.

Modul Kategórie

Modul Kategórie vám umožňuje odhaliť vzťahy medzi vašimi kategorickými údajmi. Aby vám pomohol porozumieť vašim údajom, modul Kategórie používa percepčné mapovanie, optimálne škálovanie, škálovanie preferencií a redukciu rozmerov. Pomocou týchto techník môžete vizuálne interpretovať vzťahy medzi vašimi riadkami a stĺpcami.

Modul Kategórie vykonáva svoju analýzu na ordinálnych a nominálnych údajoch. Používa postupy podobné konvenčnej regresii, hlavné komponenty a kanonickú koreláciu. Vykonáva regresiu pomocou nominálnych alebo ordinálnych kategorických prediktorových alebo výsledkových premenných.

Postupy modulu Kategórie umožňujú vykonávať štatistické operácie s kategorickými údajmi:

• Pomocou procedúr škálovania môžete kategorickým údajom priradiť jednotky merania a nulové body, čo vám poskytuje prístup k novým skupinám štatistických funkcií, pretože môžete analyzovať premenné pomocou zmiešaných úrovní merania.
• Pomocou korešpondenčnej analýzy môžete numericky vyhodnotiť podobnosti medzi nominálnymi premennými a zhrnúť svoje údaje podľa komponentov, ktoré vyberiete.
• Pomocou nelineárnej kanonickej korelačnej analýzy môžete zhromažďovať premenné rôznych úrovní meraní do vlastných súborov a potom tieto súbory analyzovať.

Tento modul môžete použiť na vytvorenie niekoľkých užitočných nástrojov:

• Percepčná mapa: Súhrnný graf s vysokým rozlíšením, ktorý slúži ako grafické zobrazenie podobných premenných alebo kategórií. Vnemová mapa vám poskytuje pohľad na vzťahy medzi viac ako dvoma kategorickými premennými.
• Biplot: Súhrnný graf, ktorý umožňuje pozrieť sa na vzťahy medzi produktmi, zákazníkmi a demografickými charakteristikami.

Modul Príprava dát

Priznajme si to: Príprava dát nie je žiadna sranda. Vezmeme všetku pomoc, ktorú môžeme získať. Žiadny modul neodstráni všetku prácu pre človeka v tomto partnerstve medzi človekom a počítačom, ale modul Príprava dát odstráni niektoré rutinné, predvídateľné aspekty.

Tento modul vám pomôže spracovať riadky a stĺpce údajov. V prípade riadkov údajov vám pomôže identifikovať odľahlé hodnoty, ktoré by mohli skresliť vaše údaje. Pokiaľ ide o premenné, pomôže vám identifikovať tie najlepšie a dá vám vedieť, že niektoré by ste mohli zlepšiť ich transformáciou. Umožňuje vám tiež vytvoriť špeciálne pravidlá overovania na urýchlenie kontroly údajov a vyhnúť sa množstvu manuálnej práce. Nakoniec vám pomôže identifikovať vzory v chýbajúcich údajoch.

Od verzie 27 sú moduly Príprava údajov a Bootstrapping súčasťou základnej edície.

Modul Rozhodovacie stromy

Rozhodovacie stromy sú zďaleka najobľúbenejšou a najznámejšou technikou dolovania údajov. V skutočnosti sú tomuto prístupu venované celé softvérové ​​produkty. Ak si nie ste istí, či potrebujete vykonať dolovanie údajov, ale chcete si to vyskúšať, použitie modulu Stromy rozhodnutí by bolo jedným z najlepších spôsobov, ako sa pokúsiť o dolovanie údajov, pretože už sa v SPSS Statistics orientujete. Modul Rozhodovacie stromy nemá všetky funkcie rozhodovacích stromov v SPSS Modeler (celý softvérový balík venovaný dolovaniu dát), ale je tu veľa, aby ste mohli začať.

Čo sú rozhodovacie stromy? Ide o to, že máte niečo, čo chcete predpovedať (cieľovú premennú) a veľa premenných, ktoré by vám s tým mohli pomôcť, no neviete, ktoré z nich sú najdôležitejšie. SPSS označuje, ktoré premenné sú najdôležitejšie a ako tieto premenné interagujú, a pomáha vám predpovedať cieľovú premennú v budúcnosti.

SPSS podporuje štyri z najpopulárnejších algoritmov rozhodovacieho stromu: CHAID, Exhaustive CHAID, C&RT a QUEST.

Modul Prognostika

Modul Prognostika môžete použiť na rýchle zostavenie odborných predpovedí časových sérií. Tento modul obsahuje štatistické algoritmy na analýzu historických údajov a predpovedanie trendov. Môžete ho nastaviť tak, aby analyzoval stovky rôznych časových radov naraz namiesto spustenia samostatnej procedúry pre každý z nich.

Softvér je navrhnutý tak, aby zvládal špeciálne situácie, ktoré vznikajú pri analýze trendov. Automaticky určí najvhodnejší autoregresívny integrovaný kĺzavý priemer (ARIMA) alebo model exponenciálneho vyhladzovania. Automaticky testuje údaje na sezónnosť, intermitentnosť a chýbajúce hodnoty. Softvér zisťuje odľahlé hodnoty a bráni im v neprimeranom ovplyvňovaní výsledkov. Vygenerované grafy obsahujú intervaly spoľahlivosti a naznačujú vhodnosť modelu.

Keď získate skúsenosti s prognózovaním, modul Prognóza vám pri vytváraní dátového modelu poskytuje väčšiu kontrolu nad každým parametrom. Na odporúčanie východiskových bodov alebo na kontrolu výpočtov, ktoré ste vykonali ručne, môžete použiť expertného modelára v module Prognózovanie.

Okrem toho sa algoritmus s názvom Temporal Causal Modeling (TCM) pokúša odhaliť kľúčové kauzálne vzťahy v údajoch časových sérií tak, že zahrnie iba vstupy, ktoré majú kauzálny vzťah s cieľom. Toto sa líši od tradičného modelovania časových sérií, kde musíte explicitne špecifikovať prediktory pre cieľový rad.

Modul Chýbajúce hodnoty

Zdá sa, že modul Príprava údajov obsahuje chýbajúce hodnoty, ale modul Chýbajúce hodnoty a modul Príprava údajov sú úplne odlišné. Modul Príprava údajov je o hľadaní chýb v údajoch; jeho overovacie pravidlá vám povedia, či dátový bod jednoducho nie je správny. Modul Missing Values ​​je na druhej strane zameraný na to, keď neexistuje žiadna hodnota údajov. Pokúša sa odhadnúť chýbajúce informácie pomocou iných údajov, ktoré máte. Tento proces sa nazýva imputácia alebo nahradenie hodnôt kvalifikovaným odhadom. Modul Chýbajúce hodnoty môžu využívať všetky druhy baníkov, štatistikov a výskumníkov – najmä výskumníkov v prieskumoch.

Modul Bootstrapping

Držte sa, pretože ideme trochu technicky. Bootstrapping je technika, ktorá zahŕňa prevzorkovanie s výmenou. Modul Bootstrapping náhodne vyberie prípad, urobí si o ňom poznámky, nahradí ho a vyberie iný. Týmto spôsobom je možné vybrať puzdro viackrát alebo vôbec. Čistým výsledkom je iná verzia vašich údajov, ktorá je podobná, ale nie identická. Ak to urobíte 1000-krát (predvolené nastavenie), môžete skutočne urobiť niekoľko výkonných vecí.

Modul Bootstrapping vám umožňuje vytvárať stabilnejšie modely prekonaním vplyvu odľahlých hodnôt a iných problémov vo vašich údajoch. Tradičná štatistika predpokladá, že vaše údaje majú konkrétnu distribúciu, ale táto technika sa tomuto predpokladu vyhýba. Výsledkom je presnejší pocit z toho, čo sa v populácii deje. Bootstrapping je v istom zmysle jednoduchý nápad, ale keďže bootstrapping vyžaduje veľa výkonu počítača, je teraz populárnejší, ako keď boli počítače pomalšie.

Bootstrapping je populárna technika aj mimo SPSS, takže články o tomto koncepte nájdete na webe. Modul Bootstrapping vám umožňuje aplikovať tento výkonný koncept na vaše dáta v SPSS Statistics.

Modul Komplexné vzorky

Výber vzoriek tvorí veľkú časť štatistík. Jednoduchý náhodný výber , je to, čo zvyčajne považujeme za vzorku - ako výberom mená z klobúka. Klobúk je vaša populácia a kúsky papiera, ktoré si vyberiete, patria do vašej vzorky. Každý kúsok papiera má rovnakú šancu, že bude vybraný. Výskum je často komplikovanejší. Modul Komplexná vzorka je o zložitejších formách vzorkovania: dvojstupňové, stratifikované atď.

Výskumní pracovníci prieskumu najčastejšie potrebujú tento modul, hoci z neho môže mať úžitok aj mnoho experimentálnych výskumníkov. Moduly Complex Samples vám pomôžu navrhnúť zhromažďovanie údajov a potom návrh zohľadnia pri výpočte vašich štatistík. Takmer všetky štatistiky v SPSS sú vypočítané s predpokladom, že údaje sú jednoduchou náhodnou vzorkou. Ak tento predpoklad nie je splnený, vaše výpočty môžu byť skreslené.

Modul Conjoint

Modul Conjoint vám poskytuje spôsob, ako určiť, ako každý z atribútov vášho produktu ovplyvňuje preferencie spotrebiteľov. Keď skombinujete spoločnú analýzu s prieskumom konkurenčných trhových produktov, je jednoduchšie zamerať sa na vlastnosti produktu, ktoré sú dôležité pre vašich zákazníkov.

Pomocou tohto prieskumu môžete určiť, ktoré atribúty produktov vašich zákazníkov zaujímajú, ktoré im najviac záleží a ako môžete robiť užitočné štúdie cien a hodnoty značky. A to všetko môžete urobiť skôr, než vám vzniknú náklady na uvádzanie nových produktov na trh.

Modul Priamy marketing

Modul Direct Marketing je trochu odlišný od ostatných. Je to balík súvisiacich funkcií v prostredí podobnom čarodejníkovi. Modul je navrhnutý tak, aby bol pre obchodníkov na jednom mieste. Hlavnými funkciami sú analýza aktuálnosti, frekvencie a menovej (RFM), zhluková analýza a profilovanie:

• Analýza RFM: Analýza RFM vám poskytne informácie o tom, ako nedávno, ako často a koľko vaši zákazníci minuli na vašu firmu. Zákazníci, ktorí sú momentálne aktívni, veľa míňajú a často míňajú, sú vaši najlepší zákazníci.
• Klastrová analýza: Klastrová analýza je spôsob segmentovania vašich zákazníkov do rôznych zákazníckych segmentov. Tento prístup zvyčajne používate na priradenie rôznych marketingových kampaní k rôznym zákazníkom. Napríklad výletná spoločnosť môže vyskúšať rôzne obaly v cestovnom katalógu, ktorý sa dostane k zákazníkom, pričom dobrodružné typy dostanú na obal Aljašku alebo Nórsko a dav dáždnikových nápojov dostane obrázky Karibiku.
• Profilovanie: Profilovanie vám pomáha zistiť, ktoré charakteristiky zákazníkov súvisia s konkrétnymi výsledkami. Týmto spôsobom môžete vypočítať propensity score, že konkrétny zákazník zareaguje na konkrétnu kampaň. Prakticky všetky tieto funkcie možno nájsť v iných oblastiach SPSS, ale kúzelnícke prostredie modulu Direct Marketing uľahčuje marketingovým analytikom dosahovať užitočné výsledky, keď nemajú rozsiahle školenie v štatistikách techniky.

Modul Presné testy

Modul Exact Tests umožňuje byť presnejší vo vašej analýze malých súborov údajov a súborov údajov, ktoré obsahujú zriedkavé výskyty. Poskytuje vám nástroje, ktoré potrebujete na analýzu takýchto údajových podmienok s väčšou presnosťou, než by bolo inak možné.

Keď je k dispozícii len malá veľkosť vzorky, môžete použiť modul Exact Tests na analýzu menšej vzorky a získať tak väčšiu dôveru vo výsledky. Ide o to, vykonať viac analýz v kratšom časovom období. Tento modul vám umožňuje vykonávať rôzne prieskumy namiesto toho, aby ste trávili čas zhromažďovaním vzoriek na rozšírenie základne prieskumov.

Procesy, ktoré používate, a formy výsledkov sú rovnaké ako v základnom systéme SPSS, ale interné algoritmy sú vyladené na prácu s menšími súbormi údajov. Modul Exact Tests poskytuje viac ako 30 testov pokrývajúcich všetky neparametrické a kategorické testy, ktoré bežne používate pre väčšie súbory údajov. Zahrnuté sú jednovzorkové, dvojvzorkové a k-vzorkové testy s nezávislými alebo súvisiacimi vzorkami, testy dobrej zhody, testy nezávislosti a miery asociácie.

Modul Neurónové siete

Neurónové siete je latticelike sieť neuronlike uzlov, ktorá bola zriadená v rámci SPSS konať niečo podobné neurónov v živom mozgu. Spojenia medzi týmito uzlami majú priradené váhy (stupne relatívneho účinku), ktoré sú nastaviteľné. Keď upravíte váhu pripojenia, sieť sa vraj naučí.

V module Neurónová sieť tréningový algoritmus iteratívne upravuje váhy tak, aby čo najviac zodpovedali skutočným vzťahom medzi údajmi. Cieľom je minimalizovať chyby a maximalizovať presné predpovede. Výpočtová neurónová sieť má jednu vrstvu neurónov pre vstupy a druhú pre výstupy s jednou alebo viacerými skrytými vrstvami medzi nimi. Neurónová sieť môže byť použitá s inými štatistickými postupmi na poskytnutie jasnejšieho prehľadu.

Pomocou známeho rozhrania SPSS môžete ťažiť zo svojich údajov vzťahy. Po výbere procedúry špecifikujete závislé premenné, ktoré môžu byť ľubovoľnou kombináciou spojitých a kategorických typov. Na prípravu na spracovanie rozložíte architektúru neurónovej siete vrátane výpočtových zdrojov, ktoré chcete použiť. Na dokončenie prípravy si vyberiete, čo urobíte s výstupom:

• Výsledky uveďte do tabuliek.
• Graficky zobrazte výsledky v grafoch.
• Výsledky umiestnite do dočasných premenných v množine údajov.
• Exportujte modely do súborov vo formáte XML.