Il Modulo Statistics Regression permette di aumentare la precisione delle previsioni con procedure di regressione avanzate.

​

Statistics Regression consente di prevedere i risultati categorici e di applicare una vasta gamma di procedure NLR (Nonlinear Regression). È possibile applicare le procedure per progetti di business e analisi, dove le tecniche di regressione ordinarie sono limitate o inappropriate: ad esempio, per studiare le abitudini di acquisto dei clienti e le risposte ai trattamenti o analizzare i rischi di credito.

​

Con Statistics Regression, è possibile espandere le funzioni di Statistics Base per la fase di analisi dei dati nel processo analitico.

​

• Prevedere i risultati categorici con più di due categorie utilizzando MLR (Multinomial Logistic Regression).

• Classificare facilmente i dati in gruppi utilizzando la regressione logistica binaria.

• Calcolare i parametri dei modelli non lineari utilizzando NLR (Nonlinear Regression) e CNLR (Constrained Nonlinear Regression).

• Rispettare le previsioni statistiche utilizzando WLS (Weighted Least Squares) e 2SLS (Two-stage least squares).

• Valutare il valore degli stimoli utilizzando l'analisi probit.

 

Prevedere i risultati categorici:

 

• MLR (Multinomial Logistic Regression) consente la regressione di una variabile dipendente categorica con più di due categorie su una serie di variabili indipendenti. Questa procedura consente di prevedere in modo preciso l'appartenenza dei gruppi in gruppi chiave.

• Utilizzare la funzionalità stepwise, che include i metodi forward entry, backward elimination, forward stepwise o backward stepwise, per individuare il predittore migliore.

• Se si dispone di un numero elevato di predittori, i metodi Score e Wald consentono di ottenere risultati più rapidi.

• Valutare il modello in base alle esigenze, utilizzando i metodi AIC (Akaike Information Criterion) e BIC (Bayesian Information Criterion).

 

Classificare facilmente i dati:

 

• Utilizzando la regressione logistica binaria è possibile sviluppare modelli nei quali la variabile dipendente sia dicotomica; ad esempio, acquisto e mancato acquisto, pagamento e inadempienza, laureato e non laureato.

• Prevedere la probabilità di eventi come risposte dei solleciti o partecipazione dei programmi.

• Selezionare le variabili utilizzando sei tipi di metodi stepwise che includono forward (selezionare le variabili più affidabili finché non sono presenti predittori più rilevanti nel dataset) e backward (in ogni fase, rimuovere il predittore meno rilevante nel dataset).

• Definire i criteri di inclusione o esclusione.

 

Stimare i parametri dei modelli non lineari:

 

• Stimare le equazioni non lineari utilizzando NLR per i problemi senza vincoli e CNLR per i problemi con e senza vincoli.

• NLR consente di calcolare i modelli con relazioni arbitrarie tra variabili indipendente e dipendenti utilizzando algoritmi di previsione iterativi.

• CNLR consente di utilizzare vincoli lineari e non lineari o una combinazione di parametri.

• Calcolare i parametri, riducendo le funzioni di perdita (funzione oggettiva) e calcolare le stime di avvio delle correlazioni e degli errori standard dei parametri.

 

Rispettare le previsioni statistiche:

 

• Se la diffusione dei valori residui non è costante utilizzare WLS (weighted least squares) per calcolare il modello. Ad esempio, per prevedere valore delle azioni, le azioni con dividendi più elevati o ridotti e la fluttuazione dei valori.

• Utilizzare la tecnica 2LS (Use least squares) per calcolare la variabile dipendente, in caso di correlazione tra variabili indipendenti e termini di errore di regressione. Così, è possibile semplificare il controllo delle correlazioni tra variabili dei predittori e termini di errore.

 

Valutare il valore degli stimoli:

 

• Utilizzare l'analisi probit è più appropriata per calcolare gli effetti di una o più variabili indipendenti su una variabile dipendente categorica.

• Valutare il valore degli stimoli utilizzando la trasformazione di logit o probit delle proporzioni rispondenti.