Prediga resultados y revele relaciones en sus datos categricos
Caractersticas
Visualizar y explorar datos numricos y categoras complejas, as como tambin datos altamente dimensionales
Comprender informacin en tablas de dos y varias vas
Utilizar bi-plots y mapas perceptuales para ver las relaciones en sus datos
Libere todo el potencial de sus datos a travs de anlisis predictivo, conocimiento estadstico, mapas perceptuales, escalamiento de preferencias, y tcnicas de reduccin dimensionales, incluyendo escalamiento ptimo de sus variables. IBM SPSS Categories le proporciona todas las herramientas que necesita para obtener una visin clara de datos complejos categricos y numricos; as como tambin de datos dimensionales.
Por ejemplo, utilice IBM SPSS Categories para comprender cules son las caractersticas que los consumidores consideran ms cercanas a su producto o marca, o para determinar la percepcin que tienen los consumidores de sus productos comparada con otros productos que la competencia ofrece.
Con IBM SPSS Categories podr realizar regresiones cuando las variables de prediccin y los resultados son numricos, ordinales o nominales, y contar con una interpretacin visual de los datos para ver cmo las columnas y las filas se relacionan en grandes tablas de calificacin, conteos, puntuaciones o similitudes. Esto le da la capacidad de:
Trabajar y comprender datos ordinales y nominales utilizando procedimientos similares a la regresin convencional, componentes principales, y anlisis de correlacin cannica Trabajar con datos numricos con residuos anormales o relaciones no lineales entre las variables de prediccin de resultados. Utilice las opciones para regresin Ridge, de Lasso, malla elstica, variable de seleccin, y modelo de seleccin para datos numricos y categricos Utilice biplots y triplots para representar la relacin entre objetos (casos), categoras, y (conjuntos de) variables en anlisis de correlacin Representar similitudes entre uno o dos conjuntos de objetos como distancias en mapas perceptuales
IBM Software Business Analytics IBM SPSS Categories 22
Transforme sus variables cualitativas en cuantitativas Los avanzados procedimientos de IBM SPSS Categories le permiten realizar operaciones estadsticas adicionales a datos categricos.
Fcilmente analice e interprete datos multivariados
Las capacidades de IBM SPSS Categories le permiten fcilmente analizar e interpretar datos multivariados y sus relaciones de manera ms completa:
Los procedimientos de regresin categrica le permiten predecir los valores de una variables de resultados nominal, ordinal y numrica de una combinacin de variables predictoras numricas y (no)ordenadas.
Las tcnicas de esclamiento ptimo cuantifican las variables para maximizar R Multiple
Las tcnicas de reduccin dimensional le ayudan a visualizar claramente las relaciones in sus datos utilizando mapas perceptuales y biplots
Los cuadros de resumen despliegan variables similares o categoras, proporcionndole un conocimiento de las relaciones entre ms de dos variables
Utilice los procedimientos de escalamiento ptimo de IBM SPSS Categories para asignar unidades de medida y puntuaciones cero a sus datos categricos. Esto abre un nuevo conjunto de funciones estadsticas al permitirle realizar anlisis sobre variables de niveles de medida mixtos por ejemplo, variables nominales, ordinales y numricas.
La capacidad de IBM SPSS Categories para realizar regresiones mltiples con escalamiento ptimo le dan la oportunidad de aplicar regresiones cuando cuenta con mezclas de variables de prediccin de resultados numricos, ordinales y nominales. Esta ltima versin incluye un procedimiento novedoso para la seleccin de modelos y regularizacin. Podr realizar anlisis de correspondencia y correspondencia mltiple para evaluar numricamente la relacin entre dos o ms variables nominales en sus datos. Tambin podr utilizar el anlisis de correspondencia para analizar cualquier tabla con entradas no negativas.
Y con el anlisis de procedimiento de componentes principales podr reducir sus datos a los componentes principales. Los objetos biplots y triplots, categoras, y variables muestran su relacin. Estas opciones tambin estn disponibles para datos numricos. El escalamiento ptimo le proporciona una correlacin matricial basada en las calificaciones de sus variables ordinales y nominales. Usted puede dividir sus variables en conjuntos, y posteriormente analizar las relaciones entre esos conjuntos utilizando el anlisis de correlacin cannica.
Descubra las relaciones subyacentes de manera grfica Sin importar el tipo de categoras que estudie - segmentos de mercado, subculturas, partidos polticos, o especies biolgicas los procedimientos de escalamiento ptimo le liberan de las restricciones asociadas con las tablas de doble entrada, situando las relaciones entre las variables en un sistema de referencia ms amplio. Puede ver un mapa de sus datos, no un mero reporte estadstico.
Las tcnicas de reduccin de dimensiones de Categories le permiten ir ms all de tablas inmanejables ya que podr clarificar relaciones en sus datos mediante el uso de mapas perceptuales y biplots.
Los mapas perceptuales son grficos de resumen de alta resolucin que muestran las variables o categoras similares y cercanas unas a otras. Le proporcionan un conocimiento nico entre ms de dos variables categricas Los biplots y triplots le permiten ver las relaciones entre casos, variables y categoras. Por ejemplo, puede definir relaciones entre productos, clientes y caractersticas demogrficas
Al utilizar procedimientos de escalamiento de preferencias, puede visualizar relaciones entre objetos. El algoritmo avanzado en el que se basa este procedimiento permite realizar anlisis no mtricos para datos ordinales y obtener resultados significativos. El procedimiento de escalamiento de proximidades le permite analizar las similitudes entre objetos, e incorporar caractersticas para cada uno de ellos en el mismo anlisis.
IBM Software Business Analytics IBM SPSS Categories 22
Cmo puede utilizar IBM SPSS Categories Los siguientes procedimientos estn disponibles para aadir significado a sus anlisis de datos.
Regresin categrica (CATREG) predice los valores de una variable nominal, ordinal o numrica a partir de una combinacin de variables categricas predictoras numricas y no ordenadas. Puede utilizar regresin con escalamiento ptimo para descubrir, por ejemplo, cmo la satisfaccin en el trabajo puede ser predicha a partir de una categora de trabajo, una regin geogrfica, y la cantidad de viajes de trabajo. Las tcnicas de escalamiento ptimo cuantifican las variables de una forma que R Mltiple es maximizado. El escalamiento ptimo puede ser aplicado a variables numricas cuando los residuos son anormales o cuando las variables de prediccin son no lineales en relacin con las variables de resultados. Tres nuevos mtodos de regularizacin: regresin Ridge, de Lasso, y malla elstica mejoran la precisin en la prediccin estabilizando la estimacin de parmetros. La seleccin automtica de variables hace posible analizar grandes bases de datos ms variables que objetos. Utilizando el nivel de escalamiento numrico podr realizar regularizaciones en regresiones a travs de la regresin de Lasso y de malla elstica.Tambin podr utilizar CATREG para aplicar Modelos Aditivos Generalizados (GAM) para datos numricos y categricos. Anlisis de correspondencias (CORRESPONDENCE) le permite analizar tablas de doble entrada que contengan alguna medida de correspondencia entre filas y columnas, as como tambin desplegar filas y columnas como puntos en un mapa. Un tipo muy comn de tabla de correspondencia es una tabla cruzada donde las celdas contienen frecuencias conjuntas de dos variables nominales. IBM SPSS Categories visualiza las relaciones entre categoras de variables nominales. Anlisis de correspondencia mltiple (MULTIPLE CORRESPONDENCE), a diferencia del anlisis de correspondencias, permite el uso de ms de dos variables en su anlisis. Con este procedimiento, todas las variables son analizadas a un nivel nominal (categoras desordenadas). Por ejemplo, puede utilizar el anlisis de correspondencia mltiple para explorar las relaciones entre los programas de televisin favoritos, grupos de edad, y gnero. Al examinar un mapa de dimensiones reducidas creado con Categories, podr ver qu grupos gravitan en cada programa revelando simultneamente qu programas son ms parecidos. Anlisis categrico de componentes principales (CATPCA) emplea escalamiento ptimo para generalizar el procedimiento de anlisis de componentes principales, de manera que se puedan acomodar variables de niveles de medida mixtos. Es un anlisis similar al anlisis de correspondencias mltiples, slo que le permite especificar un nivel de anlisis variable por variable. Por ejemplo, puede mostrar las relaciones entre marcas de coches y caractersticas tales como precio, peso, eficacia del combustible, etc. Alternativamente, puede describir los coches por su clase (compactos, medianos, descapotables, todo- terreno, etc.), el anlisis CATPCA utiliza estas clasificaciones para agrupar los puntos para los coches. Al asignar un gran peso a la variable de clasificacin, los coches estarn agrupados cerca del punto de clase. Categories despliega relaciones complejas entre objetos, grupos y variables en un mapa dimensional, lo que hace ms sencillo comprender sus relaciones. Anlisis no lineal de correlacin cannica (OVERALS) utiliza escalamiento ptimo para generalizar el procedimiento de anlisis de correlacin cannica, de manera que se puedan acomodar variables de niveles de medida mixtos. Este tipo de anlisis le permite comparar ms de un conjunto de variables con otro dentro de un mismo grfico tras eliminar la correlacin entre los conjuntos. Por ejemplo, puede analizar las caractersticas de productos como, sopas en un estudio de degustacin. Los jueces representan las variables dentro de los conjuntos, mientras que las sopas son los casos. OVERALS promedia las evaluaciones de los jueces tras eliminar las correlaciones y combina las diferentes caractersticas para mostrar las relaciones entre las sopas. Alternativamente, cada juez puede emplear su propio conjunto de criterios para juzgar las sopas. En este ltimo caso, OVERALS promedia los criterios tras eliminar las correlaciones y entonces combina las puntuaciones de los diferentes jueces. El procedimiento OVERALS tambin puede ser utilizado para procedimientos de regresin mltiple generalizada cuando cuenta con variables de resultados mltiples para que de manera conjunta sean predichas de un conjunto de variables de prediccin. IBM Software Business Analytics IBM SPSS Categories 22
Escalamiento multidimensional (PROXSCAL) realiza escalamiento multidimensional de una o ms matrices con similitudes o disimilitudes (proximidades). Alternativamente puede calcular distancias entre casos en datos multivariantes como datos de entrada PROXSCAL. PROXSCAL muestra las proximidades como distancias en un mapa con el fin de ganar conocimiento espacial de cmo se relacionan los objetos. En el caso de mltiples matrices de proximidades, PROXSCAL analiza las concordancias y traza las diferencias entre ellas. Por ejemplo, puede utilizar PROXSCAL para mostrar las similitudes entre diferentes sabores de refrescos de cola preferidos por los consumidores en varios grupos de edad. Puede descubrir que la gente joven enfatiza la diferencia entre sabores tradicionales y sabores nuevos; mientras que los adultos enfatizan las bebidas bajas en caloras y las normales. Escalamiento de preferencias (PREFSCAL) examina visualmente las relaciones entre dos conjuntos de variables de objetos, por ejemplo, consumidores y productos. El escalamiento de preferencias realiza despliegues multidimensionales para encontrar un mapa que represente las relaciones entre estos dos conjuntos de objetos como distancias entre dos conjuntos de puntos. Por ejemplo, si un grupo de conductores clasifica 26 modelos de coches en 10 atributos en una escala de 6 puntos, podr encontrar conglomerados que muestren qu modelos son similares y a las personas que prefieren estos modelos. Este mapa es un compromiso basado en 10 diferentes atributos, y un grfico de 10 diferentes atributos muestra cmo son ponderados en las dimensiones del mapa.
IBM SPSS Categories est disponible para su instalacin como cliente nicamente; pero para un mejor desempeo y escalabilidad, est disponible una versin para servidor.
Nuestra suite de software estadstico ahora est disponible en 3 ediciones: IBM SPSS Statistics Standard, IBM SPSS Statistics Professional e IBM SPSS Statistics Premium. Al agrupar las capacidades bsicas en tres ediciones, stas le proporcionan una forma eficiente de asegurar que los analistas y los tomadores de decisiones cuenten con las caractersticas y funcionalidades que necesitan para realizar el anlisis que contribuye al xito de su organizacin.
Obtenga un valor adicional con colaboracin Compartir y re-utilizar sus activos eficientemente, protegerlos de forma tal que se cumplan requerimientos internos y externos, y publicar resultados para que varios usuarios pueden visualizarlos e interactuar con ellos es posible con IBMSPSSCollaboration and Deployment Services.
IBM Software Business Analytics IBM SPSS Categories 22
Caractersticas CATREG Anlisis de regresin categrica a travs del escalamiento ptimo - Especifique el nivel de escalamiento ptimo al que quiera analizar cada variable. Elija entre: monotnica, no monotnica, ordinal, nominal, nominal mltiple o numrica - Categorice las variables continuas o convierta variables de cadena en variables numricas enteras mediante la multiplicacin, ordenacin o agrupacin de variables en un nmero preseleccionado de categoras de acuerdo a una distribucin opcional (normal o uniforme), o mediante la agrupacin de valores de un intervalo preseleccionado en categoras. Las opciones de ordenacin y agrupacin pueden emplearse para re codificar datos categricos - Especifique el tratamiento de los datos perdidos. Impute los datos perdidos con la moda de la variable o con una categora extra, o utilice exclusin segn lista - Especifique los objetos que sern tratados como suplementarios - Especifique el mtodo utilizado para computar la solucin inicial - Controle el nmero de iteraciones - Especifique el criterio de convergencia - Grafique los resultados, como: - Diagramas de transformacin (cuantificaciones ptimas de categoras contra indicadores de categoras) - Diagramas residuales - Aada variables transformadas, valores predichos y residuales al archivo de datos de trabajo - Impresin de resultados incluyendo: - Grficos R mltiple, R2 y R2 ajustado - Coeficientes de regresin estandarizados, errores estndar, correlacin de orden cero, correlacin parcial, medida de importancia de Pratt para los indicadores transformados, tolerancia antes y despus de la transformacin y estadsticos F Tabla de estadsticos descriptivos, incluyendo frecuencias marginales, tipo de transformacin, nmero de valores perdidos y moda - Historia de iteracin - Tablas para los parmetros ajustados y del modelo: tabla ANOVA con grados de libertad de acuerdo al nivel ptimo de escalamiento: tabla resumen del modelo con R2 ajustada para escalamiento ptimo, t-valores y niveles de significancia: una tabla separada con correlacin de orden cero, correlacin parcial e importancia y tolerancia antes y despus de las transformaciones
- Correlaciones de los indicadores transformados y valores propios de la matriz de correlacin - Correlaciones de de los predictores originales y de los valores propios de la matriz de correlacin - Cuantificacin de categoras - Escriba datos transformados e individuales en un archivo de datos externo Tres mtodos nuevos de regularizacin: regresin de Ridge, de Lasso y malla elstica - Mayor precisin en la prediccin estabilizando los parmetros de estimacin - Anlisis de un alto volumen de datos (ms variables que objetos) - Obtencin automtica de variables de seleccin de un conjunto de predictores - Modelos de escritura regularizados y coeficientes para un nuevo conjunto de datos para su uso posterior Dos nuevos modelos de seleccin y aseguramiento de la prediccin con los modelos: el bootstrap .632 y validacin cruzada (CV) - Encuentre el mejor modelo para la prediccin con el bootstrap .623 y las opciones CV - Obtenga estimadores no paramtricos de errores estndar de coeficientes con bootstrap Comienzo sistemtico mltiple - Descubra la mejor solucin global cuando realice transformaciones monotnicas - Escriba los signos de coeficientes de regresin a una nueva base de datos para su re utilizacin
CORRESPONDENCIA Anlisis de correspondencia - Introduzca los datos en un archivo de casos o directamente como una tabla - Especifique el nmero de dimensiones de la solucin - Elija entre dos medidas de distancia: distancia Chi- cuadrado para el anlisis de correspondencias o distancia eucldea para anlisis de tipo biplot - Elija entre 5 tipos de estandarizacin: eliminar medias de fila, eliminar medias de columna, eliminar medias de fila y columna, igualar los totales de la fila o igualar los totales de la columna - 5 tipos de normalizacin: simtrica, principal, fila principal, columna principal y personalizada - Impresin de resultados, incluyendo: Tablas de correspondencia - Tablas de resumen: valores singulares, inercia, proporcin de inercia por cada una de las dimensiones, proporcin acumulada de inercia por cada una de las dimensiones, estadsticos de confianza para el nmero mximo de dimensiones, perfiles de filas y perfiles de columnas
IBM Software Business Analytics IBM SPSS Categories 22
- Resumen de los puntos de fila y de columna: masa, puntuaciones, inercia, contribucin de los puntos a la inercia de las dimensiones, contribucin de las dimensiones a la inercia de los puntos - Estadsticos de confianza para filas y columnas: desviaciones estndar y correlaciones para puntos activos de filas y columnas
CORRESPONDENCIA MULTIPLE Anlisis de correspondencia mltiple (sustituye a HOMALS, que se inclua en versiones anteriores a SPSS Categories 13.0) - Especifique las ponderaciones de las variables - Convierta variables de cadena en valores numricos enteros al multiplicar, clasificar o agrupar valores en un nmero preseleccionado de categoras segn una distribucin opcional (normal o uniforme), o al agrupar valores en un intervalo preseleccionado de categoras. Las opciones de clasificacin y de agrupacin tambin pueden ser utilizadas para re codificar datos categricos - Especifique el tratamiento de los datos perdidos. Excluya nicamente las celdas de la matriz de datos sin valor vlido, impute los datos perdidos con la variable moda o con una categora extra, o utilice exclusin segn lista - Especifique los objetos y variables que deben ser tratados de forma suplementaria (el resultado completo se incluye para categoras que nicamente se dan en objetos suplementarios) - Especifique el nmero de dimensiones de la solucin - Especifique los archivos que contienen las coordenadas de configuracin y el ajuste de las variables en una configuracin prefijada - Elija 5 opciones de normalizacin: variable principal (optimiza asociaciones entre variables), objeto principal (optimiza distancias entre objetos), simtrica (optimiza relaciones entre objetos y variables), independiente o personalizada (valores especficos de usuario que permiten cualquier cosa entre la variable principal y la normalizacin del objeto principal) - Controle el nmero de iteraciones - Especifique el criterio de convergencia - Impresin de resultados, incluyendo: - Resumen de los modelos - Historial y estadsticos de la iteracin - Estadsticos descriptivos (frecuencias, valores perdidos y moda) - Medidas de discriminacin por variable y por dimensin
- Cuantificaciones de categoras (coordenadas centroides), masa, inercia de las categoras, contribucin de las categoras a la inercia de las dimensiones y contribucin de las dimensiones a la inercia de las categoras - Correlaciones de las variables transformadas y de los autovalores de la matriz de correlacin para cada dimensin - Correlaciones de las variables originales y de los autovalores de la matriz de correlacin - Puntuaciones de los objetos - Contribucin de los objetos: masa, inercia, contribucin de los objetos a la inercia de dimensiones y contribucin de las dimensiones a la inercia de los objetos - Resultados plot creando: - Plots categricos: puntos categricos, transformaciones (cuantificaciones categricas ptimas Vs. Indicadores categricos), residuos para variables seleccionadas y joint plot para puntos categricos para una seleccin de variables - Puntuacin de objetos - Medidas discriminantes - Biplots u objetos y centroides de variables seleccionadas - Aada variables transformadas y puntuaciones de objetos al archivo de datos de trabajo - Escriba datos transformados, datos individuales y puntuaciones de objetos en un archivo de datos externo
IBM Software Business Analytics IBM SPSS Categories 22
CATPCA Anlisis de componente principales categricos a travs de escalamiento ptimo - Especifique el nivel de escalamiento ptimo al que desea analizar cada una de las variables. Elija entre: monotnico, no monotnico, ordinal, nominal, nominal mltiple o numrico - Especifique las ponderaciones de las variables - Categorice las variables continuas o convierta cadenas en variables numricas enteras multiplicando, clasificando o agrupando valores en un nmero preseleccionado de categoras de acuerdo a una distribucin opcional (normal o uniforme), o agrupando valores en un intervalo preseleccionado de categoras. Las opciones de clasificacin y de agrupacin tambin pueden ser utilizadas para re codificar datos categricos - Especifique el tratamiento de los datos perdidos. Excluya nicamente las celdas de la matriz de datos sin valor vlido, impute los datos perdidos con la variable moda o con una categora extra, o utilice exclusin segn lista - Impresin de resultados, incluyendo: - Resumen del modelo - Iteracin estadstica e histrica - Estadsticos descriptivos (frecuencias, valores perdidos y moda) - Variacin acumulada para variables y dimensiones - Componentes de carga - Cuantificacin y coordenadas de categoras (coordenadas de vector y/o centroide) para cada dimensin - Correlacin de la transformacin de variables y los valores de la correlacin matricial - Correlacin de las variables originales y los valores de la correlacin matricial - Puntuacin de objetos - Resultados grficos, creacin de: - Diagramas de categoras: puntos categricos, transformaciones (cuantificaciones categricas ptimas contra indicadores de categoras), residuos para variables seleccionadas, y diagramas conjuntos de puntos categricos para una seleccin de variables - Diagrama de las ponderaciones del objeto (componente) - Diagrama de cargas de los componentes
PROXSCAL Anlisis de escalamiento multidimensional - Leer una o ms matrices cuadradas de proximidad, ya sea simtrica o asimtrica - Leer ponderaciones, configuraciones iniciales, coordenadas fijas, y variables independientes - Tratar las proximidades como ordinales (no mtricas) o numricas; las transformaciones ordinales pueden ser tratadas como observaciones discretas o continuas - Especificar el escalamiento multidimensional con tres modelos diferentes, as como tambin como identidades del modelo - Especificar las coordenadas fijas o variables independientes para restringir la configuracin. Adems, especifique las transformaciones (numricas, nominales, ordinales y splines) para variables independientes
PREFSCAL Examina visualmente relaciones entre variables en dos conjuntos de objetos de manera que encuentra una escala comn cuantitativa - Lee una o ms matrices de proximidades rectangulares - Lee pesos, configuraciones iniciales y coordenadas fijas - Opcionalmente transforma las proximidades como lineales, ordinales, ordinales suavizados o funciones - Especifica el escalamiento multidimensional con identidad, pesos eucldeos o modelos generales eucldeos - Especifica las coordenadas fijas de fila y columna para restringir la configuracin
IBM Software Business Analytics IBM SPSS Categories 22
Sobre IBM SPSS Business Analytics El software de IBM SPSS Business Analytics le proporciona conocimiento a travs de sus datos que le ayuda a las organizaciones a trabajar de manera ms inteligente y a superar a sus competidores. Este portafolio incluye soluciones para inteligencia de negocios, anlisis predictivo, administracin de decisiones, del desempeo y del riesgo.
Las soluciones Business Analytics le permiten a las empresas identificar y visualizar tendencias y patrones en reas como anlisis de clientes, la cual tiene un efecto importante en el desempeo de los negocios. Podr comparar escenarios, anticipar amenazas potenciales y oportunidades, realizar una mejor planeacin de presupuestos y pronstico de recursos, balancear el riesgo contra los ingresos esperados y trabajar para alcanzar los requerimientos regulatorios. Al hacer el anlisis ms disponible, las empresas alinean el proceso de decisin tctico y estratgico para alcanzar los objetivos del negocio.
Copyright IBM Corporation 2012
IBM Corporation Software Group Route 100 Somers, NY 10589
IBM, the IBM logo, ibm.com and SPSS are trademarks of International Business Machines Corporation registered in many jurisdictions worldwide. Other product and services names might be trademarks of IBM or other companies. A current list of IBM trademarks is available on the Web at Copyright and trademark information at www.ibm.com/legal/copytrade.shtml
The content in this document (including currency or printing references which exclude applicable taxes) is current as of the initial date of publication and may be changed by IBM at any time. Not all offerings are available in every country in which IBM operates.
THE INFORMATION IN THIS DOCUMENT IS PROVIDED AS IS WITHOUT ANY WARRANTY, EXPRESS OR IMPLIED, INCLUDING WITHOUT ANY WARRANTIES OF MERCHANT ABILITY, FITNESS FOR A PARTICULAR PURPOSE AND ANY WARRANTY OR CONDITION OF NON-INFRIGEMENT. IBM products are warranted according to the terms and conditions of the agreements under which they are provided. PASS, antes SPSS Insurgentes 933, piso 1 Mxico, D.F. 03810 Tel. (55)5682 8768, 1797, 7722 mexico@pass.mx www.pass.mx