SPSS Regression

De puissantes procédures de régression qui rendront vos prévisions plusprécises

IBM^MD SPSS^MD Regression vous permet de prévoir les résultats des analyses catégorielles et d'appliquer tout un éventail de procédures de régression non linéaire à des projets d'affaires ou d'analyse quand les méthodes de régression ordinaires techniques ne suffisent ou ne conviennent plus (par exemple pour l'étude des habitudes d'achat des consommateurs, le contrôle des réactions à un traitement clinique ou l'analyse de la solvabilité).

SPSS Regression permet d'étoffer les fonctions d'IBM SPSS Statistics Base quand les responsables du projet parviennent à l'étape de l'analyse des données.

Prévoyez les résultats d'analyse qualitative quand plus de deux catégories sont en jeu, grâce à la régression logistique multinomiale (MLR).
Répartissez sans peine vos données en différents groupes, grâce à la régression logistique binaire.
Évaluez les paramètres des modèles non linéaires à l'aide de la régression non linéaire (NLR) et de la régression non linéaire sous contrainte (CNLR).
Vérifiez les hypothèses statistiques en recourant aux moindres carrés pondérés et aux doubles moindres carrés.
Soupesez la valeur des stimuli grâce à l'analyse par la méthode des probits.

Prévision des résultats de l'analyse qualitative

La régression logistique multinomiale permet d'étudier la régression entre une variable dépendante catégorielle associée à plus de deux catégories et un jeu de variables indépendantes. On peut ainsi plus facilement prévoir la répartition par groupes au sein des groupes clés.
Les fonctions pas à pas (ajout progressif, élimination régressive, pas à pas ascendant ou pas à pas descendant) permettent de trouver le meilleur indicateur prévisionnel.
Quand le nombre d'indicateurs prévisionnels est grand, on obtient rapidement les résultats voulus à l'aide des méthodes Score et Wald.
Les critères AIC (Akaike Information Criterion) et BIC (Bayesian Information Criterion) vous aideront à vérifier si votre modèle est approprié.

Classification aisée des données

Utilisez la régression logistique binaire pour bâtir des modèles à variable dépendante dichotomique (achat/non-achat, paiement/défaut de paiement, diplômés/non-diplômés, etc.).
Évaluez la probabilité de tel ou tel événement (réponse à une sollicitation, participation à un programme, etc.).
Sélectionnez les variables à l'aide d'une des six méthodes pas à pas proposées, les unes ascendantes ou progressives (qui sélectionnent les variables les plus influentes jusqu'à ce que l'ensemble de données ne contienne plus d'indicateurs prévisionnels importants), les autres descendantes ou régressives (qui, à chaque cycle, retirent l'indicateur le plus faible du corpus).
Définissez des critères d'inclusion ou d'exclusion.

Évaluation des paramètres des modèles non linéaires

Estimez les équations non linéaires à l'aide de la méthode NLR (dans le cas des problèmes sans contraintes) ou de la méthode CNLR (applicable à tout type de problème, avec ou sans contraintes).
Utilisez la régression non linéaire (NLR) pour jauger les modèles impliquant des relations arbitraires entre variables indépendantes et variables dépendantes, à l'aide d'algorithmes d'estimation itérative.
Avec la méthode CNLR, appliquez des contraintes linéaires ou non linéaires à une combinaison quelconque de paramètres.
Estimez les paramètres en minimisant une fonction de perte régulière donnée (fonction objective) et calculez les valeurs estimatives d'amorçage des erreurs types et des corrélations associées aux paramètres.

Vérification des hypothèses statistiques

Si la dispersion des résidus n'est pas constante, utilisez la méthode des moindres carrés pondérés pour estimer le modèle. Dans le cas de prévisions sur la valeur de titres boursiers, par exemple, on sait que les titres les plus cotés fluctuent davantage que les autres.
Utilisez la méthode des doubles moindres carrés pour estimer la variable dépendante quand les variables indépendantes sont corrélées à des termes d'erreur de régression. Cela permet de contrôler les corrélations entre variables indépendantes et termes d'erreur.

Estimation de la valeur des stimuli

Utilisez l'analyse par la méthode des probits pour évaluer les effets d'une ou de plusieurs variables indépendantes sur une variable dépendante catégorielle.
Estimez la valeur des stimuli par transformation logit ou probit de la proportion de répondants.

Logiciels IBM

Voir ce que ce logiciel intelligent peut faire pour vous