Центр статистического анализа - Статистический анализ данных: консалтинг, тренинги, обучение

Моделирование взаимосвязи в SPSS

Цель проведения тренинга "Моделирование взаимосвязи в IBM SPSS Statistics" - освоение сложных методов аналитической статистики, используемых при изучении взаимосвязи. На тренинге подробно разбираются возможные методы изучения взаимосвязи, выбираемых в зависимости от уровня измерений исходных статистических данных. Разбираются модели дисперсионного, регрессионного и ковариационного анализа.

После обучения на тренинге Вы будете уметь:

  • Строить однофакторные и многофакторные дисперсионные модели
  • Строить многомерные дисперсионые модели, дисперсионные модели с повторными измерениями
  • Строить парные и множественные линейные модели регрессии
  • Строить нелинейные модели регрессии
  • Строить модели бинарного выбора: логистической регрессии и пробит-модель
  • Строить модели множественного выбора
  • Строить модели порядковой регрессии

Продолжительность тренинга: 5 дней с 10:00 до 17:00

Программа тренинга:

Часть 1. Модели дисперсионного анализа

Тема 1. Однофакторный дисперсионный анализ

  • Анализ взаимосвязи на основе дисперсии
  • Модели дисперсионного анализа
  • Предпосылки применения дисперсионного анализа
  • Проверка предпосылок дисперсионного анализа
  • Матрица данных однофакторного дисперсионного анализа
  • Модель однофакторного дисперсионного анализа
  • Таблица однофакторного дисперсионного анализа
  • Оценка степени влияния фактора
  • Процедура Однофакторный дисперсионный анализ
  • Параметры процедуры Однофакторный дисперсионный анализ
  • Апостериорные критерии парных сравнений
  • Априорные критерии парных сравнений

Тема 2. Многофакторный дисперсионный анализ

  • Общая линейная модель взаимосвязи
  • Дисперсионный анализ с двумя и более факторами
  • Процедура ОЛМ-одномерная
  • Графическая интерпретация взаимодействий в дисперсионном анализе
  • Параметры процедуры ОЛМ-одномерная
  • Апостериорные критерии парных сравнений
  • Анализ контрастов
  • Настройка многофакторной модели
  • Характеристики точности дисперсионной модели
  • Понятие о ковариационном анализе

 Тема 3. Многомерный дисперсионный анализ 

  • Многомерный дисперсионный анализ
  • Процедура ОЛМ-многомерная
  • Настройка параметров процедуры ОЛМ-многомерная
  • Основные результаты многомерного дисперсионного анализа
  • Дисперсионный анализ с повторными измерениями
  • Процедура ОЛМ-повторные измерения
  • Настройка параметров процедуры ОЛМ-повторные измерения

 Тема 4. Дисперсионый анализ со случайными эффектами

  • Модель дисперсионного анализа со случайными факторами
  • Предпосылки дисперсионного анализа со случайными эффектами
  • Методы оценки компонент дисперсии
  • Процедура Компоненты дисперсии
  • Задание эффектов и их взаимодействия в модели
  • Настройка параметров процедуры Компоненты дисперсии
  • Результаты процедуры Компоненты дисперсии

Часть 2. Модели регрессионного анализа

Тема 5. Линейный регрессионный анализ

  • Основные понятия регрессионного анализа
  • Предпосылки линейного регрессионного анализа
  • Парная и множественная линейная модель регрессии
  • Оценка коэффициентов регрессии
  • Проверка обоснованности модели регрессии
  • Значимость уравнения регрессии
  • Значимость коэффициентов регрессии
  • Оценка точности уравнения регрессии
  • Процедура Линейная регрессия
  • Результаты процедуры
  • Методы отбора переменных в регрессионном анализе
  • Настройка параметров
  • Сохранение предсказанных значений
  • Сохранение остатков
  • Сохранение многомерных расстояний между наблюдениями
  • Сохранение статистик влияния
  • Сохранение доверительных интервалов прогноза
  • Вывод доверительных интервалов коэффициентов
  • Вывод описательных статистик переменных
  • Диагностика мультиколлинеарности
  • Анализ нормальности и аномальности остатков
  • Вывод графиков
  • Оценка статистической устойчивости уравнения регрессии

Тема 6. Линейная регрессионная модель с гетероскедастичными остатками 

  • Требования к остаткам в линейной модели регрессии: гомо- и гетероскедастичность остатков
  • Проверка требований к остаткам регрессионной модели
  • Обобщенный метод наименьших квадратов
  • Линейная регрессионная модель с пропорциональными предиктору остатками
  • Процедура Взвешенное оценивание
  • Настройки процедуры Взвешенное оценивание
  • Результаты процедуры Взвешенное оценивание 

Тема 7. Линейная регрессионная модель с зависимыми остатками 

  • Независимость остатков регрессионной модели
  • Проверка независимости остатков
  • Двухэтапный метод наименьших квадратов
  • Метод инструментальных переменных
  • Процедура Двухэтапный МНК
  • Настройки процедуры Двухэтапный МНК
  • Результаты процедуры Двухэтапный МНК 

Тема 8. Нелинейный регрессионный анализ

  • Нелинейные регрессионные модели
  • Область применения нелинейных регрессионных моделей
  • Виды нелинейных регрессионных моделей
  • Преобразование нелинейных моделей к линейным
  • Процедура Подгонка кривых
  • Модель асимптотической регрессии
  • Процедура Нелинейная регрессия
  • Настройки процедуры Нелинейная регрессия
  • Результаты выполнения процедуры Нелинейная регрессия
  • Логистическая регрессия

Тема 9. Логистическая регрессия и ROC-анализ

  • Понятие модели бинарного выбора
  • Модель логистической регрессии
  • Процедура Логистическая регрессия
  • Результаты процедуры Логистическая регрессия
  • Задание категориальных факторов
  • Задание взаимодействия предикторов
  • Пошаговые алгоритмы логистической регрессии
  • Параметры процедуры Логистическая регрессия
  • Сохранение предсказанных значений и остатков
  • Классификация на основе логит-моделей
  • Чувствительность и специфичность
  • Процедура ROC-кривые
  • Результаты процедуры ROC-кривые

Тема 10. Модели бинарного выбора по сгруппированным данным 

  • Исходные данные для построения модели
  • Логит- и пробит-модель по сгруппированным данным
  • Процедура Пробит-анализ
  • Результаты расчета процедуры Пробит-анализ
  • Параметры процедуры Пробит-анализ 

Тема 11. Мультиномиальная логистическая регрессия

  • Модель мультиномиальной логистической регрессии
  • Области применения мультиномиальной логистической регрессии
  • Процедура Мультиномиальная логистическая регрессия
  • Результаты расчета мультиномиальной логистической регрессии
  • Интепретация результатов
  • Вывод статистик
  • Сохранение результатов
  • Настройка отбора предикторов в модель
  • Параметры процедуры Мультиномиальная логистическая регрессия
  • Критерии процедуры Мультиномиальная логистическая регрессия

 Тема 12. Порядковая регрессия

  • Модель порядковой регрессии и ее применение
  • Связывающие функции
  • Процедура Порядковая регрессия
  • Результаты процедуры Порядковая регрессия
  • Параметры процедуры Порядковая регрессия
  • Задание компонентов положения
  • Задание компонентов масштаба
  • Вывод процедуры Порядковая регрессия 

 Тема 13. Категориальная регрессия

  • Модель категориальной регрессии
  • Условия применения категориальной регрессия
  • Процедура Категориальная регрессия
  • Результаты процедуры Категориальная регрессия
  • Вывод процедуры Категориальная регрессия
  • Сохранение результатов
  • Дискретизация переменных
  • Обработка пропущенных значений
  • Параметры процедуры Категориальная регрессия
  • Методы упорядочения модели

 Тема 14. Автоматизированные линейные модели

  • Процедура Автоматизированное линейное моделирование
  • Выбор целевой переменной и настройка предикторов
  • Оценка качества и приближения модели
  • Автоматическая подготовка данных
  • Оценка важности предикторов
  • Анализ предсказанных значений целевой переменной
  • Анализ остатков
  • Анализ выбросов
  • Оценка влияния предикторов
  • Интерпретация и проверка значимости коэффициентов модели
  • Оценка линейности взаимосвязи с предикторами
  • Пошаговый отчет о построении модели
  • Повышение точности модели
  • Повышение статистической устойчивости модели
  • Основные параметры процедуры Автоматизированное линейное моделирование
  • Задание методов подбора предикторов
  • Сохранение результатов моделирования