SPSS France - SPSS Regression

Faites de meilleures prévisions avec des méthodes de régression puissantes

Utilisez la gamme des méthodes de modélisation non linéaires de SPSS Regression* pour appliquer des modèles plus sophistiqués à vos données. Par exemple, vous pouvez utiliser SPSS Regression pour :

Les études de marché — Etudiez les habitudes d’achat des consommateurs.
La recherche médicale — Etudiez les réactions aux dosages.
L’évaluation de prêt — Analysez les bons et mauvais risques de crédit.
La recherche institutionnelle — Mesurez les tests de réussite universitaire.

SPSS Regression peut être installé en tant que logiciel client uniquement, mais, pour de meilleures performances et afin d'assurer son évolutivité, vous pouvez également l'utiliser dans une configuration client/serveur, avec SPSS Statistics Base Server.

Prédire les résultats catégoriques avec plus de deux catégories

Avec la régression logistique multinomiale (MLR), vous êtes libre des contraintes telles que les réponses binaires (oui/non). Par exemple, vous pouvez modéliser quels facteurs prédisent si le client achète le produit A, B ou C.

Classifiez facilement vos données en deux groupes

Utilisez la régression logistique binaire pour prédire les variables dichotomiques telles que acheter ou ne pas acheter. Cette procédure permet de sélectionner étape par étape les principaux effets et les effets d’interaction qui prédisent le mieux votre variable de réponse.

Contrôlez votre modèle

Ayez davantage de contrôle sur votre modèle et sur l’expression de votre modèle avec les procédures de régression non linéaires contraintes et non contraintes. Ces procédures fournissent deux méthodes pour estimer les paramètres des modèles non linéaires. L’algorithme Levenberg-Marquardt analyse les modèles non contraints. L’algorithme de programmation quadratique séquentielle permet de spécifier les contraintes sur les estimations de paramètres, de spécifier votre propre fonction de perte et d’obtenir des estimations bootstrap pour les erreurs standard.

Utilisez des procédures alternatives pour respecter les hypothèses

Lorsque vos données ne correspondent pas aux hypothèses statistiques pour les moindres carrés ordinaires, utilisez les moindres carrés pondérés (WLS) ou les moindres carrés en deux étapes (2SLS). Donnez davantage de poids aux mesures dans une série en utilisant WLS. La procédure 2SLS aide à contrôler les corrélations entre les variables de prédicteur et les termes d’erreur qui se produisent souvent avec les données chronologiques.

Trouvez les meilleurs stimuli

Exécutez les modélisations de réponse probit et logit pour analyser la puissance des réponses aux stimuli telle que doses de médicaments, prix ou incitations. Probit évalue la valeur du stimulus avec une transformation logit ou probit de la proportion ayant répondu.

* SPSS Regression était précédemment appelé SPSS Modèles de Regression