Модулі, які можна додати до SPSS

IBM SPSS Statistics поставляється у формі базової системи, але ви можете придбати додаткові модулі, щоб додати до цієї системи. SPSS доступний у різних ліцензійних версіях : виданнях для кампусу, планах передплати та комерційних виданнях. Хоча ціни та різні пакети для кожного різняться, усі вони дозволяють включати одні й ті самі модулі додаткових компонентів.

Якщо ви використовуєте копію SPSS на роботі чи в університеті, яку встановив хтось інший, ви можете мати деякі з цих доповнень, навіть не усвідомлюючи цього, оскільки більшість із них настільки повністю інтегровано в меню, що вони виглядають як невід’ємні частини базова система. Якщо ви помітили, що ваше меню коротше або довше, ніж чиясь інша копія SPSS, це, ймовірно, пов’язано з додатковими модулями.

Деякі доповнення можуть вас не цікавити; тоді як інші можуть стати незамінними. Зауважте, що якщо у вас є пробна копія SPSS, вона, ймовірно, містить усі модулі, включаючи ті, до яких ви можете втратити доступ, коли придбаєте власну копію. Ця стаття знайомить вас з модулями, які можна додати до SPSS, і з їхніми функціями; зверніться до документації, яка постачається з кожним модулем, щоб отримати повний посібник.

Ймовірно, ви зустрінете імена IBM SPSS Amos і IBM SPSS Modeler . Хоча SPSS з’являється в назвах, ці програми ви купуєте окремо, а не як доповнення. Amos використовується для моделювання структурних рівнянь (SEM), а SPSS Modeler — це інструмент для прогнозної аналітики та машинного навчання.

Модуль розширеної статистики

Нижче наведено список статистичних методів, які є частиною модуля Advanced Statistics:

• Загальні лінійні моделі (GLM)
• Узагальнені лінійні моделі (GENLIN)
• Лінійні змішані моделі
• Процедури узагальнених рівнянь оцінки (GEE).
• Узагальнені лінійні змішані моделі (GLMM)
• Процедури аналізу виживання

Хоча ці процедури є одними з найбільш просунутих у SPSS, деякі з них досить популярні. Наприклад, ієрархічне лінійне моделювання (HLM), частина лінійних змішаних моделей, поширене в освітніх дослідженнях. Моделі HLM – це статистичні моделі, в яких параметри змінюються більш ніж на одному рівні. Наприклад, ви можете мати дані, які містять інформацію як для учнів, так і для шкіл, а в моделі HLM ви можете одночасно включити інформацію з обох рівнів.

Ключовим моментом є те, що цей модуль Advanced Statistical містить спеціалізовані методи, які потрібно використовувати, якщо ви не відповідаєте припущенням звичайної регресії та аналізу дисперсій (ANOVA). Ці методи більше схожі на ANOVA. Аналіз виживання — це так зване моделювання часу до події, наприклад, оцінка часу до смерті після встановлення діагнозу.

Модуль Custom Tables

Модуль Custom Tables був найпопулярнішим модулем протягом багатьох років, і не дарма. Якщо вам потрібно втиснути багато інформації у звіт, вам потрібен цей модуль. Наприклад, якщо ви проводите дослідження опитування та хочете звітувати про все опитування в табличній формі, модуль Custom Tables може прийти вам на допомогу, оскільки він дозволяє легко представляти величезну інформацію.

Отримайте безкоштовну пробну копію SPSS Statistics з усіма модулями та змусьте себе провести цілий день, використовуючи модулі, яких у вас немає. Подивіться, чи можна зробити якісь аспекти звітності, які ви вже робите, швидше за допомогою модуля користувацьких таблиць. Відтворіть останній звіт і подивіться, скільки часу ви можете заощадити.

На наступному малюнку ви бачите просту таблицю частот, що відображає дві змінні. Зауважте, що категорії для обох змінних однакові.

Таблиця частот змінних знижок.

Наступна таблиця є тими ж даними, але тут таблиця була створена за допомогою модуля користувацьких таблиць SPSS і є набагато кращою таблицею.

Спеціальна таблиця змінних знижок.

Якщо ви створюєте таблицю для себе, презентація може не мати значення. Але якщо ви розміщуєте таблицю у звіті, який буде надіслано іншим, вам потрібен модуль SPSS Custom Tables. До речі, з практикою створення спеціальної версії займає всього кілька секунд, і ви можете використовувати синтаксис для подальшого налаштування таблиці!

Починаючи з версії 27, модуль Custom Tables є частиною стандартної версії.

Модуль регресії

Нижче наведено список статистичних методів, які є частиною модуля регресії:

• Багатономіальна та бінарна логістична регресія
• Нелінійна регресія (NLR) та обмежена нелінійна регресія (CNLR)
• Зважена регресія за найменшими квадратами та двоетапна регресія за найменшими квадратами
• Пробіт аналіз

У певному сенсі модуль регресії схожий на модуль розширеної статистики — ви використовуєте ці методи, коли не відповідаєте стандартним припущенням. Однак з модулем «Регресія» ці методи є модними варіантами регресії, коли ви не можете виконати звичайну регресію за найменшими квадратами. Бінарна логістична регресія популярна і використовується, коли залежна змінна має дві категорії — наприклад, залишитися або піти (злитися), купити чи не купити, або захворіти чи не захворіти.

Модуль Категорії

Модуль «Категорії» дає змогу виявити зв’язки між вашими категоріальними даними. Щоб допомогти вам зрозуміти ваші дані, модуль Категорії використовує перцептивне відображення, оптимальне масштабування, масштабування переваг і зменшення розмірів. Використовуючи ці методи, ви можете візуально інтерпретувати зв’язки між вашими рядками та стовпцями.

Модуль Категорії виконує аналіз порядкових та іменних даних. Він використовує процедури, подібні до традиційної регресії, основні компоненти та канонічну кореляцію. Він виконує регресію, використовуючи номінальний або порядковий категоріальний предиктор або змінні результату.

Процедури модуля Категорії дозволяють виконувати статистичні операції над категоріальними даними:

• Використовуючи процедури масштабування, ви можете призначити одиниці вимірювання та нульові точки своїм категоріальним даним, що надає вам доступ до нових груп статистичних функцій, оскільки ви можете аналізувати змінні, використовуючи змішані рівні вимірювання.
• Використовуючи аналіз відповідності, ви можете чисельно оцінити схожість між номінальними змінними та підсумувати дані відповідно до вибраних компонентів.
• Використовуючи нелінійний канонічний кореляційний аналіз, ви можете зібрати змінні різних рівнів вимірювання у власні набори, а потім проаналізувати ці набори.

Ви можете використовувати цей модуль для створення кількох корисних інструментів:

• Карта сприйняття: підсумкова діаграма з високою роздільною здатністю, яка служить як графічне відображення подібних змінних або категорій. Карта сприйняття дає вам уявлення про взаємозв’язки між більш ніж двома категоріальними змінними.
• Biplot: зведена діаграма, яка дає змогу подивитися на взаємозв’язки між продуктами, клієнтами та демографічними характеристиками.

Модуль підготовки даних

Давайте подивимося правді в очі: підготовка даних не приносить задоволення. Ми візьмемо всю допомогу, яку зможемо отримати. Жоден модуль не зніме всю роботу для людини в цьому партнерстві людини та комп’ютера, але модуль підготовки даних усуне деякі рутинні, передбачувані аспекти.

Цей модуль допомагає обробляти рядки та стовпці даних. Для рядків даних це допомагає визначити викиди, які можуть спотворити ваші дані. Що стосується змінних, то це допомагає визначити найкращі з них і дає зрозуміти, що деякі можна покращити, трансформувавши їх. Він також дає змогу створювати спеціальні правила перевірки, щоб прискорити перевірку даних і уникнути великої кількості ручної роботи. Нарешті, це допоможе вам визначити закономірності у ваших даних, яких не вистачає.

Починаючи з версії 27, модулі підготовки даних і завантаження є частиною базової версії.

Модуль «Дерева рішень».

Дерева рішень, безумовно, є найпопулярнішою та найвідомішою технікою аналізу даних. Фактично, цілі програмні продукти присвячені цьому підходу. Якщо ви не впевнені, чи потрібен вам аналіз даних, але ви хочете спробувати це, використання модуля «Дерева рішень» було б одним із найкращих способів спроби аналізу даних, оскільки ви вже знаєте, як працювати зі статистикою SPSS. Модуль Decision Trees не має всіх функцій дерев рішень у SPSS Modeler (цілий пакет програм, присвячений інтелектуванню даних), але тут є багато, щоб дати вам хороший старт.

Що таке дерева рішень? Ну, ідея полягає в тому, що у вас є те, що ви хочете передбачити (цільова змінна), і багато змінних, які можуть допомогти вам у цьому, але ви не знаєте, які з них є найважливішими. SPSS вказує, які змінні є найважливішими та як змінні взаємодіють, а також допомагає передбачити цільову змінну в майбутньому.

SPSS підтримує чотири найпопулярніші алгоритми дерева рішень: CHAID, Exhaustive CHAID, C&RT і QUEST.

Модуль прогнозування

Ви можете використовувати модуль прогнозування для швидкого створення експертних прогнозів часових рядів. Цей модуль містить статистичні алгоритми для аналізу історичних даних та прогнозування тенденцій. Ви можете налаштувати його для аналізу сотень різних часових рядів одночасно замість того, щоб виконувати окрему процедуру для кожного з них.

Програмне забезпечення призначене для обробки особливих ситуацій, які виникають під час аналізу тенденцій. Він автоматично визначає найбільш підходящу авторегресивну інтегровану ковзну середню (ARIMA) або модель експоненційного згладжування. Він автоматично перевіряє дані на сезонність, періодичність і відсутні значення. Програмне забезпечення виявляє відхилення та запобігає їх неправомірному впливу на результати. Згенеровані графіки включають довірчі інтервали та вказують на відповідність моделі.

Коли ви набуваєте досвіду в прогнозуванні, модуль прогнозування надає вам більше контролю над кожним параметром під час створення моделі даних. Ви можете використовувати експертний моделер у модулі прогнозування, щоб рекомендувати вихідні точки або перевірити розрахунки, які ви зробили вручну.

Крім того, алгоритм під назвою Temporal Causal Modeling (TCM) намагається виявити ключові причинно-наслідкові зв’язки в даних часових рядів, включаючи лише вхідні дані, які мають причинно-наслідковий зв’язок з метою. Це відрізняється від традиційного моделювання часових рядів, де ви повинні явно вказати провісники для цільового ряду.

Модуль відсутніх значень

Здається, що в модулі Підготовка даних відсутні значення, але модуль Відсутні значення та модуль Підготовка даних досить різні. Модуль підготовки даних стосується пошуку помилок даних; його правила перевірки підкажуть вам, чи точка даних просто неправильна. Модуль відсутніх значень, з іншого боку, зосереджений на тому, коли немає значення даних. Він намагається оцінити відсутню частину інформації, використовуючи інші дані, які ви маєте. Цей процес називається імпутацією, або заміною значень обґрунтованим припущенням. Усі види копальників даних, статистиків та дослідників — особливо дослідників — можуть скористатися модулем «Відсутні значення».

Модуль завантаження

Тримайтеся, тому що ми збираємося трохи познайомитися з технікою. Bootstrapping – це техніка, яка передбачає повторну вибірку із заміною. Модуль Bootstrapping вибирає випадок випадковим чином, робить про нього нотатки, замінює його та вибирає інший. Таким чином можна вибрати кейс не один раз або взагалі не вибрати. Кінцевим результатом є інша версія ваших даних, схожа, але не ідентична. Якщо ви робите це 1000 разів (за замовчуванням), ви справді можете зробити деякі потужні речі.

Модуль Bootstrapping дозволяє створювати більш стабільні моделі, долаючи ефект викидів та інших проблем у ваших даних. Традиційна статистика передбачає, що ваші дані мають певний розподіл, але ця методика уникає цього припущення. Результатом є більш точне розуміння того, що відбувається серед населення. Завантаження, у певному сенсі, є простою ідеєю, але оскільки завантаження вимагає багато кінських сил комп’ютера, зараз воно є більш популярним, ніж коли комп’ютери були повільнішими.

Завантаження є популярною технікою за межами SPSS, тому ви можете знайти в Інтернеті статті про цю концепцію. Модуль Bootstrapping дозволяє застосувати цю потужну концепцію до ваших даних у SPSS Statistics.

Модуль «Складні зразки».

Вибірка є великою частиною статистики. Проста випадкова вибірка , що ми зазвичай думаємо як зразок - як вибрати імена з капелюха. Капелюх — це ваше населення, а вибрані вами клаптики паперу належать до вашого зразка. Кожен листок має рівні шанси бути обраним. Дослідження часто є більш складними, ніж це. Модуль Complex Sample стосується більш складних форм вибірки: двоетапної, стратифікованої тощо.

Найчастіше цей модуль потрібен дослідникам-дослідникам, хоча багатьом дослідникам-експериментаторам він також може бути корисний. Модулі Complex Samples допомагають спроектувати збір даних, а потім враховують дизайн під час розрахунку статистичних даних. Майже всі статистичні дані в SPSS розраховуються з припущенням, що дані є простою випадковою вибіркою. Ваші розрахунки можуть бути спотворені, якщо це припущення не виконується.

Модуль Conjoint

Модуль Conjoint надає вам спосіб визначити, як кожен із атрибутів вашого продукту впливає на переваги споживача. Коли ви поєднуєте спільний аналіз із дослідженням конкурентного ринку продукції, легше зосередитися на характеристиках продукту, які важливі для ваших клієнтів.

За допомогою цього дослідження ви можете визначити, які атрибути продукту цікавлять ваших клієнтів, які їм найбільше, а також як ви можете провести корисні дослідження цін і цінності бренду. І ви можете зробити все це, перш ніж понести витрати на виведення нових продуктів на ринок.

Модуль прямого маркетингу

Модуль Direct Marketing дещо відрізняється від інших. Це набір пов’язаних функцій у середовищі майстри. Модуль призначений для маркетологів як єдине ціле. Основними функціями є аналіз новини, частоти та монетарний (RFM), кластерний аналіз та профілювання:

• Аналіз RFM: аналіз RFM повідомляє вам про те, як нещодавно, як часто та скільки ваші клієнти витратили на ваш бізнес. Очевидно, що клієнти, які зараз активні, багато витрачають і витрачають часто, є вашими найкращими клієнтами.
• Кластерний аналіз: кластерний аналіз – це спосіб сегментації ваших клієнтів на різні сегменти клієнтів. Зазвичай ви використовуєте цей підхід, щоб зіставити різні маркетингові кампанії для різних клієнтів. Наприклад, круїзна компанія може спробувати різні обкладинки в каталозі подорожей, які виходять клієнтам, причому любителі пригод мають Аляску чи Норвегію на обкладинці, а натовп, що п’є парасольками, отримує фотографії Карибського моря.
• Профілювання. Профілювання допомагає побачити, які характеристики клієнтів пов’язані з конкретними результатами. Таким чином ви можете розрахувати оцінку схильності, на яку відповідатиме конкретний клієнт на конкретну кампанію. Практично всі ці функції можна знайти в інших областях SPSS, але майстрове середовище модуля прямого маркетингу дозволяє маркетинговим аналітикам легко отримати корисні результати, якщо вони не мають обширної підготовки зі статистики, що стоїть за методами.

Модуль точних тестів

Модуль точних тестів дає змогу бути більш точним при аналізі невеликих наборів даних і наборів даних, які містять рідкісні випадки. Це дає вам інструменти, необхідні для аналізу таких умов даних з більшою точністю, ніж це було б можливо.

Якщо доступний лише невеликий розмір вибірки, ви можете використовувати модуль точних тестів, щоб проаналізувати меншу вибірку та мати більше впевненості в результатах. Тут ідея полягає в тому, щоб виконати більше аналізів за менший період часу. Цей модуль дозволяє вам проводити різні опитування, а не витрачати час на збір зразків, щоб розширити вашу базу опитувань.

Процеси, які ви використовуєте, і форми результатів такі ж, як і в базовій системі SPSS, але внутрішні алгоритми налаштовані на роботу з меншими наборами даних. Модуль точних тестів надає понад 30 тестів, які охоплюють усі непараметричні та категоріальні тести, які ви зазвичай використовуєте для великих наборів даних. Включаються тести з одним, двома та k-вибірками з незалежними або спорідненими зразками, тести на придатність, тести незалежності та міри асоціації.

Модуль нейронних мереж

Нейронна мережа є мережею latticelike нейроноподобних вузлів, створених в SPSS діяти що - щось на зразок нейронів в живому мозку. Зв'язки між цими вузлами мають пов'язані ваги (ступені відносного ефекту), які можна регулювати. Коли ви регулюєте вагу з’єднання, кажуть, що мережа навчається.

У модулі нейронної мережі навчальний алгоритм ітеративно коригує вагові коефіцієнти, щоб тісно відповідати фактичним зв’язкам між даними. Ідея полягає в тому, щоб мінімізувати помилки та максимізувати точні прогнози. Обчислювальна нейронна мережа має один шар нейронів для входу, а інший для виходу, з одним або кількома прихованими шарами між ними. Нейронну мережу можна використовувати з іншими статистичними процедурами, щоб забезпечити більш чітке уявлення.

Використовуючи знайомий інтерфейс SPSS, ви можете видобувати свої дані для зв’язків. Після вибору процедури ви вказуєте залежні змінні, які можуть бути будь-якою комбінацією безперервного та категоричного типів. Щоб підготуватися до обробки, ви створюєте архітектуру нейронної мережі, включаючи обчислювальні ресурси, які ви хочете застосувати. Щоб завершити підготовку, ви вибираєте, що робити з виходом:

• Запишіть результати в таблицю.
• Графічне відображення результатів у діаграмах.
• Помістіть результати в тимчасові змінні в наборі даних.
• Експортувати моделі у файли, відформатовані XML.