IBM SPSS Regression

Mejore sus predicciones con procedimientos de regresión no lineal

IBM® SPSS® Regression (antes PASW® Regression) le permite predecir resultados categóricos y aplicar un amplio rango de procedimientos de regresión no lineal.

Podrá utilizar IBM SPSS Regression para varios negocios y proyectos de análisis en donde las técnicas de ordinarias de regresión son limitantes o inapropiadas; por ejemplo, estudios de hábitos de consumo o de respuesta a un tratamiento, medición del desempeño académico y análisis de riesgo crediticio.

Los procedimientos de IBM SPSS Regression son:

Regresión logística multinomial: Prediga resultados categóricos con más dos categorías
Regresión logística binaria: Fácilmente clasifique sus datos en dos grupos
Regresión no lineal y Regresión no lineal restringida (CNLR): Calcule parámetros de modelos no lineales
Ponderación de cuadrados mínimos: Pondere medidas en una serie
Mínimos Cuadrados de dos etapas: Ayuda a controlar la correlación entre las variables de predicción y los términos de error
Análisis probit: Evalua el valor de stimuli utilizando transformaciones logit o probit de la proporción de respuesta

 

Regresión Logística Multinomial (MLR)
Regresión de una variable dependiente categórica con más de dos categorías en un conjunto de variables independientes. Este procedimiento le ayuda a predecir de manera precisa la pertenencia a un grupo entre grupos clave.
También puede utilizar la funcionalidad de dos etapas, incluyendo eliminación hacia atrás, entrada hacia adelante, por pasos hacia delante o por pasos hacia atrás para encontrar el mejor predictor. Si cuenta con muchos predictores, los métodos de Score y Wald pueden ayudarlo a obtener resultados. Puede ingresar al ajuste de su modelo con el criterio de información de Akaike (AIC) y Bayesiano (BIC); también llamado Schwarz Bayesiano (SBC).

Regresión Logística Binaria
Agrupe personas relacionadas con la acción a predecir. Utilice este procedimiento si necesita construir modelos en los cuales la variable dependiente es dicotómica (por ejemplo, comprar Vs no comprar, pagar Vs no pagar, graduarse Vs no graduarse). También podrá utilizar las regresión logística binaria para predecir la probabilidad de eventos como respuestas a solicitudes o participación en programas.

El procedimiento de regresión logística multinomial predice un resultado categórico como "razón principal del uso de la Web". Las categorías en este ejemplo son: a) solamente trabajo, b) solamente compras, c) ambos y d) ninguna. De los resultados podemos considerar que cada herrmienta de búsqueda utilizada fue el mejor predictor de solamente compra que los medios impresos.

Con la regresión logística binaria podrá seleccionar variables utilizando 6 tipos de métodos, incluyendo hacia adelante (el procedimiento selecciona las variables más fuertes hasta que no existen predictores significativos en el conjunto de datos) y hacia atrás (en cada paso, el procedimiento elimina al menos el predictor significativo en el conjunto de datos). También puede establecer los criterios de inclusión o exclusión. El procedimiento produce un reporte que le dice las acciones realizadas en cada paso para determinar las variables.

Regresión No Lineal (NLR) y Regresión No Lineal Restringida (CNLR)
Calcule ecuaciones no lineales. Si usted está trabajando con modelos que tienen relaciones no lineales, por ejemplo si trata de predecir el uso de cupones como una función en el tiempo y número de cupones distribuidos, estime las ecuaciones no lineales utilizando 1 ó 2 procedimientos: regresión no lineal (NLR) para problemas no restringidos y regresión no lineal restringida (CNLR) para problemas restingidos y no restringidos.
NLR le permite estimar modelos con relaciones arbitrarias entre variables independientes y dependientes utilizando algoritmos de estimación iterativos, mientras que CNLR le permite:

  • Utilizar restricción lineal y no lineal o cualquier combinación de parámetros
  • Calcular parámetros minimizando funciones de pérdia (función objetivo)
  • Utilizar estimaciones bootstrap para calcular errores estándard y correlaciones

Mínimos cuadrados ponderados
Si el espacio entre los residuales no es constante, la estimación del error estándard no será válido. Utilice el modelo de mínimos cuadrados ponderados (por ejemplo, cuando prediga los valores del stock, stocks con muchos valores compartidos fluctúan más que el valor mínimo compartido.)

Mínimos cuadrados en dos fases
Utilice esta técnica para calcular las variables dependientes cuando las independientes son correlacionadas con términos del error de regresión.
Por ejemplo, un club de apuestas desea modelar la cantidad de ventas cruzadas entre los miembros utilizando la cantidad que ellos gastan en las apuestas como predictor. Sin embargo, la cantidad gastada en otros artículos no es dinero gastado en la apuesta, así que un incremento en las ventas cruzadas corresponde al decremento en las apuestas. Este procedimiento corrige este error.

Análisis probit
El análisis probit es más apropiado cuando desea calcular los efectos de una o más variables independientes en variables categóricas dependientes.
Por ejemplo, utilice este procedimiento cuando desee establecer la relación entre el porcentaje de descuento de un producto, y cuando el cliente compre con un precio menor. Entonces, por cada descuento puede trabajar la probabilidad de que el consumidor compre el producto.

IBM SPSS Regression incluye diagnósticos adicionales para su uso al realizar tablas de clasificación

Descargue el folleto IBM SPSS Regression.

SPSS Chile
Mardoqueo Fernandez 207; Providencia
Santiago, Chile
Tel: 56 2 415 3478
sales@spss.cl