Модули које можете додати СПСС-у

ИБМ СПСС Статистицс долази у облику основног система, али можете набавити додатне модуле које ћете додати том систему. СПСС је доступан у различитим издањима за лиценцирање: издањима кампуса, плановима претплате и комерцијалним издањима. Иако се цене и различити пакети разликују за сваки, сви вам омогућавају да укључите исте додатне модуле.

Ако користите копију СПСС-а на послу или у универзитетском окружењу које је неко други инсталирао, можда ћете имати неке од ових додатака а да тога нисте ни свесни, јер је већина толико потпуно интегрисана у меније да изгледају као саставни делови базни систем. Ако приметите да су ваши менији краћи или дужи од нечије копије СПСС-а, то је вероватно због додатних модула.

Неки додаци вас можда не занимају; док би други могли постати неопходни. Имајте на уму да ако имате пробну копију СПСС-а, он вероватно има све модуле, укључујући оне којима бисте могли да изгубите приступ када набавите сопствену копију. Овај чланак вас упознаје са модулима који се могу додати СПСС-у и шта они раде; погледајте документацију која долази са сваким модулом за комплетан водич.

Вероватно ћете наићи на имена ИБМ СПСС Амос и ИБМ СПСС Моделер . Иако се СПСС појављује у називима, ове програме купујете засебно, а не као додатке. Амос се користи за моделирање структурних једначина (СЕМ), а СПСС Моделер је радни стол за предиктивну аналитику и машинско учење.

Модул напредне статистике

Следи листа статистичких техника које су део модула напредне статистике:

• Општи линеарни модели (ГЛМ)
• Генерализовани линеарни модели (ГЕНЛИН)
• Линеарни мешовити модели
• Поступци генерализованих једначина за процену (ГЕЕ).
• Генерализовани линеарни мешовити модели (ГЛММ)
• Поступци анализе преживљавања

Иако су ове процедуре међу најнапреднијим у СПСС-у, неке су прилично популарне. На пример, хијерархијско линеарно моделирање (ХЛМ), део линеарних мешовитих модела, уобичајено је у образовном истраживању. ХЛМ модели су статистички модели у којима параметри варирају на више од једног нивоа. На пример, можда имате податке који укључују информације и за ученике и за школе, а у ХЛМ модел можете истовремено да уградите информације са оба нивоа.

Кључна ствар је да овај напредни статистички модул садржи специјализоване технике које морате да користите ако не испуњавате претпоставке обичне регресије и анализе варијансе (АНОВА). Ове технике су више АНОВА укуса. Анализа преживљавања је такозвано моделирање времена до догађаја, као што је процена времена до смрти након дијагнозе.

Модул Цустом Таблес

Модул Цустом Таблес је најпопуларнији модул годинама, и то са добрим разлогом. Ако треба да угурате много информација у извештај, потребан вам је овај модул. На пример, ако вршите истраживање анкете и желите да извештавате о целој анкети у табеларном облику, модул прилагођених табела може да вам помогне јер вам омогућава да лако представите огромне информације.

Набавите бесплатну пробну копију СПСС Статистицс са свим модулима и натерајте себе да проведете солидан дан користећи модуле које немате. Погледајте да ли би неки аспект извештавања који већ радите могао да се обави брже помоћу модула прилагођених табела. Репродукујте недавни извештај и видите колико времена бисте могли да уштедите.

На следећој слици видите једноставну табелу учесталости која приказује две варијабле. Имајте на уму да су категорије за обе варијабле исте.

Табела учесталости дисконтних варијабли.

Следећа табела је исти податак, али овде је табела креирана коришћењем СПСС Цустом Таблес модула и много је боља табела.

Прилагођена табела променљивих попуста.

Ако правите сто за себе, презентација можда није битна. Али ако стављате табелу у извештај који ће бити послат другима, потребан вам је СПСС модул прилагођених табела. Узгред, уз праксу, потребно је само неколико секунди да се направи прилагођена верзија, а можете користити Синтаксу да додатно прилагодите табелу!

Почевши од верзије 27, модул прилагођених табела је део стандардног издања.

Модул Регресија

Следи листа статистичких техника које су део модула Регресија:

• Мултиномска и бинарна логистичка регресија
• Нелинеарна регресија (НЛР) и ограничена нелинеарна регресија (ЦНЛР)
• Пондерисана регресија најмањих квадрата и двостепена регресија најмањих квадрата
• Пробит анализа

На неки начин, модул регресије је попут модула напредне статистике — ове технике користите када не испуњавате стандардне претпоставке. Међутим, са модулом Регресија, технике су фенси варијанте регресије када не можете да урадите обичну регресију најмањих квадрата. Бинарна логистичка регресија је популарна и користи се када зависна варијабла има две категорије — на пример, остати или отићи (избацити), купити или не купити, или добити болест или не добити болест.

Модул Категорије

Модул Категорије вам омогућава да откријете односе међу вашим категоричким подацима. Да би вам помогао да разумете своје податке, модул Категорије користи перцептивно мапирање, оптимално скалирање, скалирање преференција и смањење димензија. Користећи ове технике, можете визуелно тумачити односе између ваших редова и колона.

Модул Категорије своју анализу врши на редним и називним подацима. Користи процедуре сличне конвенционалној регресији, главне компоненте и канонску корелацију. Врши регресију користећи номинални или ординални категорички предиктор или варијабле исхода.

Процедуре модула Категорије омогућавају извођење статистичких операција над категоричким подацима:

• Користећи процедуре скалирања, можете доделити мерне јединице и нулте тачке вашим категоричким подацима, што вам даје приступ новим групама статистичких функција јер можете анализирати варијабле користећи мешовите нивое мерења.
• Користећи анализу кореспонденције, можете нумерички проценити сличности међу номиналним варијаблама и сумирати своје податке према компонентама које одаберете.
• Коришћењем нелинеарне каноничке корелационе анализе, можете прикупити варијабле различитих нивоа мерења у сопствене скупове, а затим анализирати скупове.

Можете користити овај модул за производњу неколико корисних алата:

• Перцептуална мапа: збирни графикон високе резолуције који служи као графички приказ сличних варијабли или категорија. Перцептуална мапа вам даје увид у односе између више од две категоричке варијабле.
• Биплот: збирни графикон који омогућава да се сагледају односи између производа, купаца и демографских карактеристика.

Модул за припрему података

Да се ​​разумемо: припрема података није забавна. Узећемо сву помоћ коју можемо да добијемо. Ниједан модул неће елиминисати сав посао за човека у овом партнерству између човека и рачунара, али модул за припрему података ће елиминисати неке рутинске, предвидљиве аспекте.

Овај модул вам помаже да обрађујете редове и колоне података. За редове података, помаже вам да идентификујете изузетке који могу да искриве ваше податке. Што се тиче варијабли, то вам помаже да идентификујете оне најбоље и даје вам до знања да неке можете побољшати тако што ћете их трансформисати. Такође вам омогућава да креирате посебна правила валидације како бисте убрзали проверу података и избегли много ручног рада. Коначно, помаже вам да идентификујете обрасце у подацима који вам недостају.

Почевши од верзије 27, модули Дата Препаратион и Боотстраппинг су део основног издања.

Модул Стабла одлучивања

Стабла одлучивања су далеко најпопуларнија и најпознатија техника рударења података. У ствари, читави софтверски производи су посвећени овом приступу. Ако нисте сигурни да ли треба да се бавите рударењем података, али желите да га испробате, коришћење модула Децисион Треес би био један од најбољих начина да покушате са рударењем података јер већ знате како да заобиђете СПСС статистику. Модул Децисион Треес нема све карактеристике стабала одлучивања у СПСС Моделер-у (цео софтверски пакет посвећен рударењу података), али овде има доста тога да вам пружи добар почетак.

Шта су стабла одлучивања? Па, идеја је да имате нешто што желите да предвидите (циљну променљиву) и много варијабли које би вам могле помоћи у томе, али не знате које су најважније. СПСС указује које су променљиве најважније и како варијабле интерагују, и помаже вам да предвидите циљну променљиву у будућности.

СПСС подржава четири најпопуларнија алгоритма стабла одлучивања: ЦХАИД, Екхаустиве ЦХАИД, Ц&РТ и КУЕСТ.

Модул за предвиђање

Модул за предвиђање можете користити за брзу израду стручних прогноза временских серија. Овај модул укључује статистичке алгоритме за анализу историјских података и предвиђање трендова. Можете га подесити да анализира стотине различитих временских серија одједном уместо да покрећете посебну процедуру за сваку од њих.

Софтвер је дизајниран да се бави посебним ситуацијама које се јављају у анализи трендова. Он аутоматски одређује најприкладнији ауторегресивни интегрисани покретни просек (АРИМА) или модел експоненцијалног изглађивања. Аутоматски тестира податке на сезонскост, испрекиданост и вредности које недостају. Софтвер детектује одступања и спречава их да неоправдано утичу на резултате. Генерисани графикони укључују интервале поверења и указују на добро уклапање модела.

Како стекнете искуство у предвиђању, модул за предвиђање вам даје већу контролу над сваким параметром када градите свој модел података. Можете користити стручњак за моделирање у модулу за предвиђање да препоручите почетне тачке или да проверите прорачуне које сте урадили ручно.

Поред тога, алгоритам назван Темпорал Цаусал Моделинг (ТЦМ) покушава да открије кључне узрочне везе у подацима временске серије тако што укључује само улазе који имају узрочну везу са циљем. Ово се разликује од традиционалног моделирања временских серија, где морате експлицитно навести предикторе за циљну серију.

Модул вредности које недостају

Чини се да модул за припрему података има покривене вредности које недостају, али модул вредности које недостају и модул за припрему података су прилично различите. Модул за припрему података бави се проналажењем грешака у подацима; његова правила валидације ће вам рећи да ли тачка података једноставно није исправна. Модул вредности које недостају, с друге стране, фокусиран је на то када нема вредности података. Покушава да процени део информације који недостаје користећи друге податке које имате. Овај процес се зове импутација, или замена вредности са образованим нагађањем. Све врсте рудара података, статистичара и истраживача – посебно истраживача анкета – могу имати користи од модула вредности које недостају.

Модул за покретање

Држите се, јер ћемо мало технички. Боотстраппинг је техника која укључује поновно узорковање са заменом. Модул за покретање насумично бира случај, прави белешке о њему, замењује га и бира други. На овај начин могуће је изабрати случај више пута или никако. Нето резултат је још једна верзија ваших података која је слична, али није идентична. Ако ово урадите 1000 пута (подразумевано), заиста можете да урадите неке моћне ствари.

Модул Боотстраппинг вам омогућава да изградите стабилније моделе превазилажењем ефеката одступања и других проблема у вашим подацима. Традиционална статистика претпоставља да ваши подаци имају одређену дистрибуцију, али ова техника избегава ту претпоставку. Резултат је тачнији осећај шта се дешава у популацији. Боотстраппинг је, у извесном смислу, једноставна идеја, али пошто је за покретање потребно много компјутерских коњских снага, сада је популарније него када су рачунари били спорији.

Боотстраппинг је популарна техника и ван СПСС-а, тако да можете пронаћи чланке на вебу о том концепту. Модул Боотстраппинг вам омогућава да примените овај моћни концепт на своје податке у СПСС Статистицс.

Модул сложених узорака

Узорковање је велики део статистике. Једноставно случајни узорак је оно што обично сматрамо узорка - као што је избор имена из шешира. Шешир је ваша популација, а комадићи папира које одаберете припадају вашем узорку. Сваки папирић има једнаку шансу да буде изабран. Истраживање је често компликованије од тога. Модул Цомплек Сампле се односи на компликованије облике узорковања: двостепени, стратификовани и тако даље.

Најчешће је овај модул потребан истраживачима анкета, иако би многе врсте експерименталних истраживача такође могле имати користи од њега. Модули Цомплек Самплес вам помажу да дизајнирате прикупљање података, а затим узимате дизајн у обзир приликом израчунавања ваше статистике. Скоро све статистике у СПСС-у су израчунате уз претпоставку да су подаци једноставан случајни узорак. Ваши прорачуни могу бити искривљени када ова претпоставка није испуњена.

Модул Цоњоинт

Модул Цоњоинт вам пружа начин да одредите како сваки од атрибута вашег производа утиче на преференције потрошача. Када комбинујете анализу производа са конкурентским истраживањем тржишта, лакше је усредсредити се на карактеристике производа које су важне вашим клијентима.

Овим истраживањем можете да одредите до којих атрибута производа је стало вашим клијентима, до којих им је највише стало и како можете да урадите корисне студије о ценама и вредности бренда. И све ово можете учинити пре него што сносите трошкове довођења нових производа на тржиште.

Модул директног маркетинга

Модул директног маркетинга је мало другачији од осталих. То је скуп сродних функција у окружењу налик чаробњаку. Модул је дизајниран да буде на једном месту за трговце. Главне карактеристике су недавно, учесталост и монетарна (РФМ) анализа, кластер анализа и профилисање:

• РФМ анализа: РФМ анализа вам даје извештај о томе колико недавно, колико често и колико су ваши клијенти потрошили на ваше пословање. Очигледно је да су клијенти који су тренутно активни, троше много и троше често ваши најбољи купци.
• Кластер анализа: Кластер анализа је начин сегментирања ваших клијената у различите сегменте купаца. Обично користите овај приступ за упаривање различитих маркетиншких кампања са различитим клијентима. На пример, компанија за крстарење може испробати различите омоте каталога путовања који иду купцима, при чему авантуристички типови имају Аљаску или Норвешку на насловној страни, а публика која пије кишобран добија слике Кариба.
• Профилисање: Профилисање вам помаже да видите које су карактеристике клијената повезане са одређеним резултатима. На овај начин можете израчунати оцену склоности на коју ће одређени купац одговорити на одређену кампању. Практично све ове карактеристике се могу наћи у другим областима СПСС-а, али чаробно окружење модула директног маркетинга олакшава маркетиншким аналитичарима да дају корисне резултате када немају опсежну обуку о статистици која стоји иза техника.

Модул тачних тестова

Модул Екацт Тестс омогућава да будете прецизнији у анализи малих скупова података и скупова података који садрже ретке појаве. Даје вам алате који су вам потребни да анализирате такве услове података са више тачности него што би иначе било могуће.

Када је доступна само мала величина узорка, можете користити модул Екацт Тестс да анализирате мањи узорак и имате више поверења у резултате. Овде је идеја да се уради више анализа у краћем временском периоду. Овај модул вам омогућава да спроводите различите анкете уместо да трошите време на прикупљање узорака да бисте проширили своју базу анкета.

Процеси које користите и облици резултата су исти као они у основном СПСС систему, али интерни алгоритми су подешени да раде са мањим скуповима података. Модул Екацт Тестс пружа више од 30 тестова који покривају све непараметарске и категоричке тестове које обично користите за веће скупове података. Укључени су тестови једног узорка, два узорка и к-узорка са независним или сродним узорцима, тестови доброг уклапања, тестови независности и мере повезивања.

Модул Неуралне мреже

Неуронских мрежа је латтицелике мрежа неуронлике чворова, постављених у СПСС да се понашају тако нешто неурона у живом мозгу. Везе између ових чворова имају придружене тежине (степене релативног ефекта), које се могу подешавати. Када прилагодите тежину везе, каже се да мрежа учи.

У модулу Неуралне мреже, алгоритам за обуку итеративно прилагођава тежине како би се блиско подударали са стварним односима међу подацима. Идеја је да се минимизирају грешке и максимизирају тачна предвиђања. Рачунарска неуронска мрежа има један слој неурона за улазе и други за излазе, са једним или више скривених слојева између њих. Неуронска мрежа се може користити са другим статистичким процедурама да би се пружио јаснији увид.

Користећи познати СПСС интерфејс, можете копати своје податке за односе. Након што изаберете процедуру, специфицирате зависне варијабле, које могу бити било која комбинација континуираних и категоричких типова. Да бисте се припремили за обраду, постављате архитектуру неуронске мреже, укључујући рачунарске ресурсе које желите да примените. Да бисте завршили припрему, бирате шта да радите са излазом:

• Наведите резултате у табелама.
• Графички приказ резултата у графиконима.
• Поставите резултате у привремене варијабле у скупу података.
• Извезите моделе у датотеке форматиране у КСМЛ-у.