Bu bölümde tartışılan üç uzatma prosedürüdür;  SPSSINC TURF (Analiz➪DescriptiveStatistics➪TURFAnalysis), SPSSSINC QUANTREG(Analiz ➪ Regresyon ➪ Niceliksel Regresyon) ve STATS SVM (Analiz ➪ Sınıflandır ➪ SupportVectorMachines).

SPSSSINC TURFi, standart İstatistik kurulumuna dahil edilmiştir, diğer ikisi ise R’de uygulanmaktadır ve sürüm 23’ten itibaren R Essentials kurulumuna dahil edilmiştir, ancak daha önceki sürümler için web sitesinden yüklenmesi gerekir. TURF kurulduktan sonra, Analiz menüsünde göreceksiniz.

IBM SPSS Predictive Analytics web sitesi karşıdan yüklemeleri bölümü, kullanılabilir uzantıları filtrelemenize ve aramanıza ve istediğiniz uzantıları kurmanıza ya da güncellemenize olanak tanır. Örneğin, sitenin indirmeler bölümünde olabilirsiniz.

IBM tarafından oluşturulan uzantılar için komut adları, FUZZY ve GATHERMD gibi tek sözcüklü adlara sahip birkaç çok erken uzantı dışında her zaman SPSSINC veya STATS ile başlar, bu nedenle genellikle bir komutun IBM uzantısı olduğunu ilk sözcüğünden anlayabilirsiniz. isim. Uzantılar, IBM SPSS İstatistik Komut Sözdizimi Başvurusunda belgelenmemiştir, ancak tarayıcı tabanlı yardım, sürüm veya sonraki sürümlerde Sözdizimi Düzenleyicisi’ndeki komutta F1 tuşuna basılarak kullanılabilir.

İstatistikler’deki yerleşik komutların aksine, uzantılar kaynak kodu biçiminde teslim edilir, böylece gerekli becerilere sahip kullanıcılar, belgelerde yer almayan nüansları anlamak için uzantı kaynak kodunu okuyabilir ve kendi başlarına düzeltmeler veya geliştirmeler yapabilirler.

IBM’den gelen uzantı komutları ücretsizdir ve sık sık yenileri görünür. Bunları Predictive Analytics Community web sitesinde veya İstatistikler içindeki uzantı komut menülerinde arayın.

TURF Analizi—Ürün Demetleri Tasarlama

TURF (Toplam Tekrarlanmayan Erişim ve Sıklık) Analizi, ürün teklifleri demetlerinin tasarlanmasında ortaya çıkan bir grup sorunu çözmek için pazar araştırmasında geliştirilmiş bir tekniktir. Örneğin, donmuş yoğurt satan havaalanlarında sıkça görülen küçük dükkanlar veya arabalar kuracağınızı varsayalım. Sadece sınırlı sayıda lezzet sunabilirsiniz. Küçük bir lezzet grubunu, dükkana gelen müşterilerin en az bir lezzeti beğeneceği ve satın alacağı şekilde nasıl seçersiniz?

Başka bir uygulamada, birkaç yerde bir konferans sunduğunuzu ve potansiyel katılımcıların bu konumlardan birine katılma olasılığını en üst düzeye çıkarmak istediğinizi varsayalım. Üçüncü bir uygulama medya reklamcılığıdır. Potansiyel bir alıcının en az bir reklam görme olasılığını en üst düzeye çıkaracak şekilde bir dizi dergide veya web sitesinde reklam vermek istediğinizi varsayalım. Bu tür sorunlar pazarlamada yaygındır.

Erişim, paketteki en az bir ürünü beğenen alıcıların yüzdesidir. Sıklık, bir paket için toplam beğeni sayısıdır. Amaç, erişimi en üst düzeye çıkarmaktır.

Paket seçiminin dayandırılacağı veriler, bir anketten veya geçmiş satın alma kayıtları gibi başka bir kaynaktan alınan tercihlere ilişkin bilgilerdir. Örneğin, insanların çeşitli yoğurt lezzetlerini değerlendirdiği bir anketiniz veya çeşitli yerlerde bir seminere katılıp katılmayacaklarını belirten bir anketiniz olabilir. Bir medya örneğinde, insanların hangi dergileri, TV kanallarını veya İnternet sitelerini ziyaret ettiğine ilişkin verileriniz olur.

Linux mkdir komutu
Linux dosya açma komutu
Linux cat komutu
Linux echo komutu
Ls komutu
SH dosyası açma
Linux dosya Kopyalama komutu
Linux dosya içine yazı yazma

Yoğurt dükkanı örneğini göz önünde bulundurarak bariz paket tasarım stratejisi, en popüler aromayı, ardından bir sonraki en popüler aromayı vb. seçmek olacaktır. Medya örneğinde, en çok izlenen TV istasyonunu, bir sonraki en çok izlenen istasyonu vb. seçebilirsiniz. Bununla birlikte, örtüşen tercihler nedeniyle bu genellikle optimal kombinasyonu üretmeyecektir. Temsil edilen tercih kümelerini düşünün.

Daireler, a, b, c ve d seçeneklerini beğenen anket yanıtlayan kümelerini temsil eder. Boyutlar, sette öğeyi beğenenlerin sayısını temsil eder. Soldaki şekilde, yanıtlayan kümeleri ayrıktır. Başka bir deyişle, hiç kimse birden fazla öğeyi sevmez. Bu nedenle, önce a öğesi, ardından b öğesi vb. olan en büyük daireyi seçerek erişimi en üst düzeye çıkarabiliriz. 

Sağdaki daha gerçekçi şekilde, yanıtlayanların tercihleri ​​örtüşmektedir. a öğesini beğenen birçok kişi b öğesini de sever ve bazıları a, b ve c öğesini severken, d’nin ayrı bir yanıtlayıcı grubu vardır. d maddesini beğenen grubun boyutu en küçük olsa da örtüşme nedeniyle c grubunu beğenenlerden daha iyi bir seçim olabilir.

Erişim, birleştirilmiş seçenekler için beğenen yanıtlayanların belirlenmiş birliğidir. a ve b beğenilerinin birleşimi, a öğesini veya b öğesini veya her ikisini birden beğenen tüm yanıtlayıcıları içeren bir küme olacaktır. 100 a ve 50 b beğenisi varsa, sendikanın 100 ila 150 arasında yanıtı olacaktır. Tüm b’yi beğenenler de a’yı beğenirse, boyut 100, örtüşme yoksa boyut 150 olur.

En iyi erişim paketinin hesaplanmasındaki hesaplama problemi, bir dizi yanıtlayıcı tercihi ve bir pakete girecek öğe sayısı verildiğinde, erişimi maksimize eden öğelerin kombinasyonunu bulmaktır; yani, beğenenlerin en büyük birliği ile kombinasyon. Bu dört öğeli örnekte, paket boyutu üç ise, olasılıklar (a, b, c), (a, b, d), (a, c, d) ve (b, c, d) şeklindedir.

Her gruptaki katılımcıların birliğini hesaplamak hesaplama açısından kolaydır. İstatistiklerin belirlenmiş bir veri türü olmamasına rağmen, COMPUTE’da OR operatörünü kullanabiliriz. Örneğin, (a,b,c) demeti için beğeniler, değişkenlerin 0 ve 1 olarak kodlandığı varsayılarak gösterildiği gibi hesaplanabilir.

1, 2 ve 3 boyutundaki kümelerin erişimini bilmek istesek bile, hesaplanacak yalnızca 14 küme birliği vardır (1 boyutundaki önemsiz birleşimler dahil). Bununla birlikte, daha fazla öğemiz olduğunu varsayalım. 20 madde ile 1.350 küme birleşimini hesaplamamız gerekiyor ve madde sayısı arttıkça problem boyutu hızla büyüyor.

Python’da uygulanan SPSSINC TURF extension komutu (Analyze ➪ Descriptive Statistics ➪ TURF Analysis) bu hesaplamaları verimli bir şekilde yapar. TURF için giriş verileri, her öğe için bir değişkendir. En basit durumda, bu değişkenler 0 veya 1 değerleriyle temsil edilen beğen/beğenmeme ikilemleridir. Reytinglerimiz olsaydı beğeniyi oluşturan reyting değerlerini belirtirdik.

Bu örnek için, x1’den x20’ye kadar 20 değişkenimiz ve her bir lezzeti değerlendiren 280 katılımcımız var. (Bu örneğe ilişkin veriler özeldir ve kamuya açık değildir.) TURF tarafından üretilen “beğenme” sıklıklarına bakıldığında, x12 öğesinin %51,8 ile en çok beğenilen, x8 öğesinin ise yalnızca %2,9 ile en az beğenilen olduğunu görüyoruz. En iyi öğeleri seçmeye yönelik saf strateji, en iyi iki için x18, en iyi üç için x11 ve en iyi dört için x14 ekler. Erişim sırasına göre tek değişkenli frekansları göstermektedir.

The post Uzantı Komutu Nedir? – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).