|
 Categorical - Binary recodings
Перекодировка категориальных переменных в двоичные или наоборот. Собрание макросов для перевода категориальных данных в двоичные или обратно, например наборов множественного ответа - MRC (categorical multiple response set) и MRD (dichotomous multiple response set), - один тип в другой. Такая необходимость возникает очень часто при обработке опросных данных.
 Multiple Response tools
Инструменты для наборов множественного ответа. Один макрос предназначен для отладки категориального набора множественного ответа. Другой макрос снабжает двоичные наборы множественного ответа переменными "нет ответа". Еще один макрос обогащает или обедняет данными категориальный набор множественного ответа, справляясь по другим переменным с теми же вариантами ответа. Еще пара макросов создают набор множественного ответа из текстовой переменной (в нее бывает удобно набивать ответы на вопрос с множественным выбором).
 Series Response tools
Инструменты для серии пунктов. Собрание макросов для "простого матричного вопроса", т.е. серии переменных с общим пулом альтернативных вариантов ответа (Single response series, SRS), - например набора пунктов, каждый из которых оценен по балльной шкале или проранжирован. Один макрос предназначен для данных ранжирования и переводит переменные в категориальный набор множественного ответа или обратно. Другой макрос предназначен для более общих задач перевода значений и переменных друг в друга и для обсчета повторяющихся значений. Третий макрос предназначен для ситуации, когда респонденты оценивали не все пункты, а те только, которые они предварительно выбрали, набивка же была сделана уплотненным (ускоренным) способом.
 Horizontal tools
Некоторые горизонтальные операции. Собрание макросов, исполняющих некоторые нужные вещи (такие как сортировка, ранжирование или подсчет уникальных значений) внутри наблюдений, горизонтально. Входящий файл остается полностью сохранен, т.к. не применяется транспонирование.
 Derandomize tasks
Дерандомизация заданий. Если одни и те же задания (некоторые стимулы, например анкетные вопросы, тестируемые образцы или лечебные пользования) предъявлялись разным в испытуемым в разной последовательности, так что и в файл данных оказались набиты в порядке предъявления - "порядке проб", то макрос перестроит эти данные в унифицированный "порядок заданий", при котором каждая переменная содержит данные только одного задания.
 Weighting groups
Взвешивание групп. Достижение нужных долевых размеров групп респондентов одномерным или многомерным (rim) взвешиванием. Можно выбрать общее N, наложить ограничение на взвешивание отдельных ячеек или наблюдений, взвесить несколько подвыборок параллельно, учесть начальные веса.
 Categorical into Contrast
Категориальные переменные в контрастные. Создает из категориальных переменных контраст-переменные (3 типа на выбор) и их взаимодейственные переменные. Контраст-переменные нужны прежде всего тогда, когда нужно анализировать влияние качественных факторов методами, рассчитанными на количественные входящие (напр. линейная регрессия).
 Various proximities Обновлено
Разные меры близости. Вычисление некоторых парных мер близости или связи (сходства, расстояния, корреляции), отсутствующих в SPSS. Среди них сходство Гауэра для сравнения респондентов по количественным и качественным признакам сразу; расстояние Канберры, оптимальное для сравнения респондентов по их ответам на вопрос ранжирования, тетрахорический и бисериальный коэффициенты корреляции.
 Matrix comparisons
Различия внутри или между матрицами. Макросы вычисляют матрицу расстояний не между переменными или наблюдениями, а между матрицами близостей, - такими, как корреляционные или дистанционные, - либо между столбцами внутри таких матриц. Эти сравнения исследователю могут помочь: например, перед кластерным или факторным анализом.
 Fit covariates
Подгонка переменных под матрицу коэффициентов. Макросы изменяют значения переменных так, чтобы переменные имели силу связи в соответствии с указанной пользователем матрицей (корреляций, ковариаций или кросс-произведений). Опция страхования от гетероскедастичности позволяет добиться гомоскедастичных связей.
 Cumulative curves
Кумулятивные кривые. Макросы, связанные с анализом кумулятивных распределений. Один из них сравнивает кластерным анализом подвыборки по форме кумулятивного распределения в переменных. Другой макрос - для маркетинга - анализирует данные т.н. ценовой чувствительности (price sensitivity meter, PSM).
 Clustering criterions
Кластерные критерии. Вычисление индексов (таких как Calinski–Harabasz, C-Index, кофенетическая корреляция, AIC, BIC), помогающих выбрать лучшее классификационное разбиение, в частности решить, сколько кластеров следует выделить в кластерном анализе.
 Euclidean space tools
Евклидовы правки и переводы. Макросы для матриц близостей, которые должны быть уложены в евклидово или метрическое пространство. Вы можете перевести сходства (типа ковариаций/корреляций или так трактуемые) геометрически корректно в расстояния или наоборот; подправить сходства или различия, не совсем удовлетворяющие пространству, в удовлетворяющие ему.
 Job tools
Инструменты, облегчающие работу. Макросы, не связанные с конкретным анализом или обработкой, а служащие для ускорения всякого рода работ через синтаксис. Один из них является альтернативой по отношению к “SPSS Production Facility”, ускоряя производство таблиц и пр.
 Regular clouds
Правильные облака. Создание многомерных данных с правильной, неслучайной структурой. В частности, такие данные можно понимать как полностью бескластерные, в отличие от данных, порожденных случайно. Полезны как модельные данные при изучении особенностей тех или иных статистических алгоритмов, например кластерного анализа.
 Generate random clusters Новое
Случайные кластерные данные. Создание случайных данных, разбитых на кластеры. Можно сделать кластеры четкими (clear) или нечеткими (fuzzy), круглыми или продолговатыми, регулировать размеры и тесноту соприлегания кластеров.
| 
Меню
ПОЛЬЗОВАТЕЛЯМ SPSS
