Categoriesでカテゴリーデータの結果を予測して関係性を解明
IBM SPSS Categories を使用すると、データ内の関係性を簡単に視覚化して調査し、そこから得た考察に基づいて結果を予測できます。予測分析、統計的学習、知覚マッピング、選好尺度などの高度な手法を使用すると、消費者が製品やブランドにどのような特徴を最も深く関連付けているのか、また、製品を競合製品と比較してどのように認識しているのかを知ることができます。
- 多変量データを容易に分析、解釈 し、データの関係性をより詳細に把握します。
- カテゴリー・データに追加の統計操作を実行して、質的データを量的データに変換します。
- 市場セグメント、医学的な診断、政党、生物学上の種など、さまざまなタイプの調査対象において、根底にある関係性を視覚的に表示します。
SPSS Categoriesの詳細情報
多変量データの容易な分析と解釈
- カテゴリー回帰プロシージャーを使用して、複数の数値および (非) 順序カテゴリー型予測変数の組み合わせから、名義、順序、数値型の結果変数の値を予測します。
- 最適尺度法を使用して、Multiple R が最大となるように変数を数量化します。
- 知覚マップやバイプロットなどの次元縮小手法を使用して、データ内の関係性を明らかにします。
- 類似した変数やカテゴリーを表示する要約グラフを使用して、3 つ以上の変数間の関係性をより正確に把握します。
質的変数から量的変数への変換
- カテゴリー型予測変数の組み合わせから、名義、順序、または数値型の結果変数の値を予測します。
- 行と列の対応のなんらかの測定尺度を含む 2 次元表を分析したり、行と列をマップ上にポイントとして表示したりできます。 また、分析に 3 つ以上の変数を使用して、多変量カテゴリー・データを分析できます。
- 主成分分析プロシージャーでは、最適尺度を使用した一般化によって、測定尺度水準が混在する変数に対応することができます。
- 同じグラフ内の複数の変数セットからセット内の相関を除去した後で各セットを互いに比較したり、消費者と製品など、2 組のオブジェクト間の関係を視覚的に確認したりできます。
- 1 つ以上の行列に対して、類似度または非類似度 (近接性) に関して多次元尺度法を実行します。
根底にある関係性の視覚的な表示
- 最適尺度法を使用して、変数間の関係性をより大きな枠組みの中に配置します。
- 類似する変数やカテゴリーを視覚的に表示する知覚マップを作成して、3 つ以上のカテゴリー変数間の関係性について独自の洞察が得ることができます。
- バイプロットとトリプロットを使用して、ケース、変数、およびカテゴリー間の関係性を確認します。 これにより、例えば製品、顧客、人口統計特性間の関係などを定義できます。
- 選好尺度を使用して、オブジェクト間の関係性をさらに視覚的に表示することにより、順序データの非軽量的分析でより有意な結果を得やすくなります。
- オブジェクト間の類似性を分析し、同じ分析にオブジェクトの特徴を組み込むことができます。