製品概要

IBM SPSS Regressionを利用すれば、さまざまな非線型モデルにより、より高度な分析が可能になります。多項ロジスティック回帰、2項ロジスティック回帰、制約のある非線型回帰、制約のない非線型回帰、重み付け最小二乗、二段階最小二乗、プロビット分析手法を搭載しています。

強力な回帰手続きで予測を改善
IBM SPSS Regressionに含まれるさまざまな非線型モデル手続きで、より洗練されたモデルを作成できます。

カテゴリが3つ以上ある結果を予測
多項ロジスティック回帰(MLR)を使用すると、「はい」/「いいえ」回答などの制限がなくなります。たとえば、顧客が製品A、B、Cのどれを購入するのかを予測する因子はどれなのかをモデル化できます。

データを2つのグループに簡単に分類
ニ項ロジスティック回帰を使用して、「買う/買わない」、「投票する/投票しない」などの2値型変数を予測できます。この手続きには、応答変数を予測するのに最も適している主効果や交互作用を選択できる、ステップワイズ法が多く含まれています。

モデルを制御
制約のあるまたは制約のない非線型回帰手続きを使用して、モデルやモデル式をより制御することができます。これらの手続きでは、非線型モデルのパラメータ推定において2つの手法を使用できます。Levenberg-Marquardtアルゴリズムは、制約のないモデルを分析します。一方、逐次2次計画アルゴリズムを使用すると、パラメータ推定に関する制約を指定でき、自分で損失関数を設定したり、また標準誤差のブートストラップ推定を得ることができます。

前提条件によって手続きを選択
使用するデータが、通常最小2乗法の統計的な前提条件を満たしていない場合、重み付け最小2乗(WLS)あるいは2段階最小2乗(2SLS)を使用します。 WLSを使用している系列では、尺度の重みをより大きくします。2SLSは、予測変数と誤差項間の相関(時系列データによく見られます)を制御するのに使用されます。

最適な刺激の発見
プロビットならびにロジット応答モデルは、刺激(薬物投与、価格、報奨金等)に対する反応の程度を分析します。プロビットは、応答の割合に対するロジットあるいはプロビット変換を使用して、刺激の値を評

主要搭載手法/機能

  • 多項ロジスティック回帰
  • 二項ロジスティック回帰
  • 制約のない非線型回帰
  • 制約のある非線形回帰
  • 重み付け最小二乗法
  • 二段階最小二乗法
  • プロビット分析