1. Quelle est l'échelle optimale?

L'anglais est abrégé comme Catireg, également appelé régression de la classification.
La régression linéaire normale est très stricte, lorsque la transformation est classée, la régression linéaire ne peut pas refléter avec précision la distance de différentes valeurs de variables classifiées, telles que les transformateurs, les hommes et les femmes ne sont pas de taille, de taille, de commande, de distinction Les tendances, si une combinaison directe de modèle de régression linéaire peut perdre leur propre signification.
Retour Les taux optimaux consistent à résoudre des problèmes similaires, très bien pour quantifier différentes valeurs de variables de classification pour convertir des variables classées en types numériques. On peut dire qu'il est possible qu'il existe une méthode de régression optimale, qui améliorera de manière significative la puissance de traitement des données variables classifiées, surmonter les limitations de la variable classée dans la sélection des modèles analytiques et ouverts une capacité d'application de l'analyse de régression.
2. Données de cas:

Un pantalonLa chemise de marque est de comprendre la satisfaction des consommateurs sur cette marque, de la collecte d'âge, de genre, des revenus mensuels et de la satisfaction des consommateurs grâce à des questionnaires et à d'autres données. Parmi eux, l'âge se compose de sept groupes d'âge, de genre pour hommes et femmes deux classification, revenu mensuel, notamment (sans revenu, niveau de niveau faible, moyen, moyen, haut de gamme), sa satisfaction est divisé en (insatisfaisant, synthétisé, satisfait) trois niveaux. Selon les situations de données, les variables automatiques affectent la satisfaction de la marque sont des variables classées et des méthodes de régression linéaire conventionnelles qui ne peuvent pas être autorisées, adaptées à une analyse de régression à l'échelle optimale.

3.SPSS Définissez le paramètre de menu (paramètre principal)

Inclure quatre variables, en raison de variables, du sexe, de l'âge, du revenu mensuel comme argument.
Étape 1: Ouvrez le menu principal.

Dans la vue Données SPSS, sélectionnez l'option "Analyser" Option "dans la barre de menus et appelle les sellesTapez SPSS pour revenir à l'interface du menu principal.

ÉTAPE 2: Déterminez le taux.
Spécifiez la plage de mesure la plus appropriée due aux variables et à tous les arguments. Premièrement, sélectionnez "Satisfaction" dans la colonne de variable de gauche, appuyez sur la touche fléchée pour faire défiler dans la zone de variable, sélectionnez le bouton "Déterminer le rapport" en bas, ouvrez la boîte de dialogue correspondante, car le niveau de satisfaction représente des niveaux de satisfaction , contenant les informations de commande, alors sélectionnez le bouton radio "Précommandé" pour compléter le taux optimal de la variable.

De même, 3 arguments sont déplacés dans la boîte auto-variable et la zone de genre définie comme une échelle nominale et d'âge déterminée à déterminer que l'échelle mensuelle de commande et de revenu mensuel est définie comme étant l'échelle de la commande.
Étape 3: Installez un autre paramètre
à ce stade, cliquez sur le bouton "OK" dans le menu principal pour effectuer le processus de régression d'échelle optimal et d'autres paramètres Accepter les paramètres par défaut du logiciel SPSS. Pour obtenir des résultats plus intuitifs, il faut mettre plus de paramètres. Ce cas met principalement cParamètres diaboliques dans le menu "Figure".

Ouvert "Classification de récupération: bouton", transférer toutes les variables dans la trame de commutation à droite, requiert les catégories initiales de la production de logiciels en valeur correspondant au traitement de prix des mesures optimales.




(1) Tableau récapitulatif du modèle

Modèle de régression de taille optimale Les performances appropriées, ont principalement vu le côté R peuvent ajuster, l'indicateur Reflète le modèle prévu dans ce cas, cet exemple est ajusté est faible, ce qui indique que le modèle ne suffit pas à interpréter la variante des variables et ne correspond pas à la promotion à grande échelle pour toujours.
(2) Analyse de la variance

La signification statistique du modèle de régression, qui constatent principalement les valeurs SIG, cet exemple 0,006, inférieure à une valeur horizontale significative 0,05, montrant des modèles importants, statistiquement significatifs.
(3) Tableau de coefficient de régression

Index Coefficient 3 Index dans ce modèle de régression, voir directement une valeur significative, trouvée dans une confiance de 5%, l'impact des facteurs de revenu mensuel sur le modèle et il n'existe aucune importance statistique significative pour les facteurs négligeables, l'âge et le sexe.
(4) variable de la carte de conversion optique

Ce résultat est principalement de voir l'ensemble de l'analyse dans le processus, la variable classifiée est convertie en L'échelle de numéro standard, qui résulte de la procédure, pas le résultat principal.

La satisfaction de la variable est convertie en fonction de la balance dans l'ordre.À ce stade, on peut voir que la distance entre 2-3 après la conversion est supérieure à 1-2, mais pas la distance de distance temporelle précédente, le logiciel calculera automatiquement les normes quantiques sombres.