> Regressão categórica que prevê os valores de uma variável de resposta nominal, ordinal ou numérica a partir de uma combinação de variáveis preditoras categóricas. Técnicas de escalonamento ótimo são usadas para quantificar variáveis. Três métodos de regularização: regressão Ridge, Lasso e Rede elástica, melhoram a precisão das previsões através da estabilização das estimativas do parâmetro.

> Análise de correspondência que permite analisar tabelas bidimensionais que contenham alguma medida de correspondência entre linhas e colunas, assim como exibe linhas e colunas como pontos num mapa.

> Análise de correspondência múltipla que é usada para analisar dados categóricos multivariados permitindo o uso de mais que duas variáveis na sua análise. Com esse procedimento, todas as variáveis são analisadas no nível nominal (categorias sem ordem).

> Análise de componentes principais categórica usa escalonamento ótimo para generalizar o procedimento de análise de componentes principais, assim ele pode alojar variáveis de qualquer tipo de nível de medida.

> Análise de correlação canônica não linear usa escalonamento ótimo para generalizar o procedimento de análise de correlação canônica, assim ele pode alojar variáveis de qualquer tipo de nível de medida. Esse tipo de análise permite comparar múltiplos conjuntos de variáveis uns com os outros no mesmo gráfico, depois de remover a correlação dentro dos conjuntos

> Escalonamento multidimensional realiza escalonamento multidimensional de uma ou mais matrizes com semelhanças ou dissimilaridades (proximidades).

> Escalonamento de preferência examina visualmente relações entre dois conjuntos de objetos, por exemplo, clientes e produtos. O escalonamento de preferencias executa um desdobramento multidimensional para encontrar um mapa que representa as relações entre esses dois conjuntos de objetos como distâncias entre dois conjuntos de pontos.

Aproveite todo o potencial dos seus dados através da análise preditiva. Conhecimento estatístico, mapa perceptual, escalonamento de preferências e técnicas de redução de dimensão - incluindo escalonamento ótimo das variáveis.

Exibe graficamente relações latentes

As técnicas de redução de dimensão do IBM SPSS Categories permitem esclarecer relações nos seus dados usando mapas perceptuais e biplots:

> Os mapas perceptuais são gráficos em alta resolução que exibem resumidamente variáveis ou categorias semelhantes próximas umas das outras. Eles fornecem uma visão única das relações entre mais de duas variáveis categóricas.
> Biplots e triplots permitem olhar para relações entre casos, variáveis e categorias. Por exemplo, você pode definir relações entre produtos, clientes e características demográficas.

Usando a funcionalidade de escalonamento de preferências, você pode visualizar ainda mais as relações entre os objetos. O avançado algoritmo no qual esse procedimento é baseado permite executar análises não métricas para dados ordinais e obter resultados que façam sentido. O procedimento de escalonamento de proximidades permite analisar semelhanças ente objetos e incorporar características a objetos na mesma análise.

Converta variáveis qualitativas em quantitativas

Execute operações estatísticas adicionais em dados categóricos com os procedimentos avançados disponíveis no IBM SPSS Categories:

> Utiliza procedimentos de escalonamento ótimo para designar unidades de medida e PONTOS-ZERO para seus dados categóricos
> Escolha entre procedimentos de ponta para seleção de modelo e regularização
> Execute análise de correspondência e análise de correspondência múltipla para avaliar numericamente semelhanças entre duas ou mais variáveis nominais no seu conjunto de dados
> Resuma seus dados de acordo com componentes importantes usando análise de componentes principais
> Quantifique variáveis ordinais e nominais com uma matriz de correlação de escalonamento ótimo
> Use análise de correlação canônica não linear para incorporar e analisar variáveis de diferentes níveis de medida

Procedimentos e estatísticas para analisar dados categóricos

Usar o IBM SPSS Categories com o IBM SPSS Statistics Base lhe dá uma seleção de técnicas estatísticas para analisar dados representados em muitas dimensões ou categóricos, incluindo: