IBM SPSS Regression

Mejore sus predicciones con procedimientos de regresión

Emplee la amplia variedad de procedimientos de modelación no lineal de IBM SPSS Regression para aplicar modelos más sofisticados a sus datos. Por ejemplo, puede emplear IBM SPSS Regression para:

  • Investigación de mercados — Estudio de hábitos de compra del consumidor
  • Investigación médica — Estudio de respuesta a medicamentos y tratamientos
  • Evaluación de créditos — Evaluación del riesgo crediticio
  • Investigación institucional — Medición de eficiencia de las pruebas de rendimiento académico
  • Y mucho más

IBM SPSS Regression está disponible para su instalación únicamente como cliente, pero para un mayor desempeño y escalabilidad, también puede ser instalado en un servidor junto con la versión servidor de IBM SPSS Statistics Base Server™.

Más información

Prediga respuestas categóricas con más de dos categorías

Con la Regresión Logística Multinomial (MLR) se liberará de restricciones tales como las respuestas tipo Sí/No. Ahora podrá modelar, por ejemplo, qué factores predicen si un cliente comprará el producto A, el producto B o el producto C.

Clasifique sus datos en dos grupos de forma sencilla

Utilice la regresión logística binaria para pronosticar variables dicotómicas, como por ejemplo comprar o no comprar, votar o no votar. Este procedimiento ofrece numerosos métodos por pasos para seleccionar las covariables continuas, o los efectos interactivos, que mejor pronostican la variable de respuesta.

Controle su modelo

Consiga un mayor control sobre su modelo y la expresión del mismo con los procedimientos de regresión no lineal con restricciones y sin restricciones. Estos procedimientos proporcionan dos métodos para estimar los parámetros de los modelos no lineales. El algoritmo de Levenberg-Marquardt analiza los modelos sin restricciones. El algoritmo de programación secuencial cuadrática le permite especificar restricciones en las estimaciones de parámetros, proporcionar su propia función de pérdida y obtener estimaciones de errores típicos.

Emplee procedimientos alternativos para obtener supuestos

Cuando sus datos no cumplan con los requisitos estadísticos del método de mínimos cuadrados ordinario, utilice Mínimos Cuadrados Ponderados (WLS) y Mínimos Cuadrados en dos fases (2SLS). De más peso a algunas medidas de una serie usando WLS. El método 2SLS le ayuda a controlar las correlaciones entre las variables predictivas y los términos de error que aparecen a menudo en los datos temporales.

Encuentre el mejor estímulo

Utilice los modelos probit y logit para analizar la potencia de las respuestas a estímulos como, dosis de un medicamento, precios o incentivos. Probit evalúa el valor del estímulo mediante una transformación logit o probit de la proporción de respuesta.