SPSS^®  CategoriesTM 19 - Specifiche

Prevedete fenomeni e individuate relazioni in dati categoriali 

Potete analizzare i vostri dati in modo più completo e semplice utilizzando le analisi predittive, le mappe percettive, le procedure di scaling ottimale, le procedure di regressione categoriali e l'analisi delle corrispondenze di SPSS Categories. Per assicuravi tutti gli strumenti di cui necessitate, SPSS Categories vi offre una vasta scelta di procedure che vi aiutano a lavorare con i vostri dati multivariati, sia numerici che categorali.

Ad esempio, utilizzate SPSS Categories per comprendere la percezione dei consumatori nei confronti delle caratteristiche del vostro brand o prodotto, o rispetto ai prodotti della concorrenza.

Con SPSS Categories è possibile lavorare con dati categoriali e ordinali, e interpretare i dati visivamente per individuare  informazioni contenute in tabelle multidimensionali molto ampie. Questo permette di:

• lavorare con dati ordinali e nominali in procedure simili alla regressione, alle componenti principali e alla correlazione canonica
• Gestire i residui non-normali in dati numerici o in relazioni non lineari tra variabili predittive e variabile risultato. Usate le opzioni per Ridge regression, Lasso, Elastic Net, selezione di variabili e di modelli per dati numerici e categorici.
• Utilizzate biplots e triplots per rappresentare relazioni tra oggetti (casi), categorie e (set di) variabili nell'analisi della correlazione.
• Rappresentare similitudini tra uno o due set di oggetti come distanze in mappe percettive 

Trasformate le variabili qualitative in quantitative

Le procedure avanzate disponibili in SPSS Categories permettono di effettuare operazioni statistiche su dati categoriali.

Le procedure di scaling ottimale permettono di assegnare unità di misura e punti zero a dati categoriali. In questo modo sarà possibile accedere a nuove funzioni statistiche, effettuando analisi su variabili con livelli di misura misti, oppure su combinazioni di variabili numeriche, nominali e ordinali. SPSS Categories include procedure per la selezione e regolarizzazione dei modelli. Potrete utilizzare l'analisi delle corrispondenze e delle corrispondenze multiple per valutare numericamente la relazione tra due o più variabili nominali. Utilizzando l'analisi delle componenti principali non lineari sarete in grado di comprendere molto meglio le relazioni dei vostri dati poiché potrete rappresentarli per mezzo di un insieme di componenti con scale di misure miste (nominali, ordinali, o metriche).

Potrete anche analizzare i vostri differenti livelli di misurazione e le relazioni tra insiemi di variabili con l'analisi della correlazione canonica non lineare.

Raffigurate graficamente le relazioni nascoste

Qualsiasi insieme di variabili categoriche voi studiate - segmenti di mercato, sottoculture, specie biologiche o partiti politici - le procedure di scaling ottimale di SPSS Categories vi svincolano dalle costrizioni delle tavole a doppia entrata, ponendo le relazioni fra le vostre variabili in un più ampio quadro di riferimento. Osservate la rappresentazione spaziale dei vostri dati, non solamente un resoconto statistico.

I grafici riassuntivi ad alta risoluzione vi forniranno una straordinaria visione delle relazioni fra più di due variabili.

Per esempio, effettuando l'analisi delle corrispondenze multiple, vedrete le relazioni tra le variabili categoriche rappresentate su un unico grafico ad alta risoluzione di facile lettura.

Come utilizzare SPSS Categories

Le seguenti procedure sono disponibili per dare più significato alle vostre analisi.

La Regressione categoriale (CATREG) prevede il valore di una variabile dipendente a partire da una combinazione di variabili categoriali indipendenti. 

La regressione con l'optimal scaling quantifica le variabili categoriali e produce un equazione ottimale di regressione lineare per le variabili trasformate

Potete utilizzare la regressione con lo scaling ottimale per descrivere, ad esempio, come la soddisfazione del proprio lavoro dipenda dalla categoria lavorativa, e anche dalla regione e dalla frequenza dei viaggi per lavoro.

Potrete poi utilizzare inoltre l'equazione di regressione per prevedere  la soddisfazione del lavoro  per qualsiasi combinazione delle variabili indipendenti.

Utilizzate l'analisi delle corrispondenze per analizzare le tabelle a doppia entrata oppure dati che possono essere espressi come una tabella a doppia entrata, come ad esempio, la preferenza di marca o dati sociometrici. 

Utilizzate l'analisi delle corrispondenze multiple per analizzare dati multi-categoriali dove tutte le variabili sono nominali (categorie non ordinate). Questa analisi è simile all'analisi delle corrispondenze, ma vi permette di utilizzare più di due variabili. L'analisi delle corrispondenze multiple descrive le relazioni tra casi e categorie visualizzandole in un grafico bidimensionale

Per esempio, l'analisi delle corrispondenze multiple può visualizzare le relazione tra il programma televisivo preferito, la fascia di età e il sesso: quindi potete trovare l'età e il sesso che gradiscono maggiormente ciascun programma televisivo e quali programmi sono più simili tra loro.

Utilizzate PROXSCAL come procedura di Scaling multidimensionale per assegnare le osservazioni a posizioni specifiche in uno spazio concettuale ridotto, in modo tale che le distanze tra i punti nello spazio corrispondano il più possibile alle dissimilarità specificate.

Sfruttate le potenzialità di CATPCA, OVERALS e CATREG per specificare la trasformazione in nominale, ordinale o numerica variabile per variabile. Queste tre procedure sono un'alternativa all'algoritmo dei minimi quadrati. La procedura CATPCA consente di quantificare le variabili categoriali e contemporaneamente di ridurre la dimensione dei dati. La procedura OVERALS equivale all'analisi della correlazione canonica non lineare, mentre CATREG equivale all'analisi della correlazione canonica categoriale con scaling ottimale.