SPSS Regression-用强大的回归模块作更好的预示   

	Multinomial Logistic Regression预示分类结果。比如："使用web的主要原因"有以下几类： a) 仅为了工作， b) 仅为了购物， c) 工作和购物， d) 都不是。 可以看出相对于印刷媒介，使用搜索引擎"仅为了购物"的人数是不使用搜索引擎者的1.837倍。

“ 如果您需要的预示模型要好于用简单的线性回归所建立的模型，您需要使用SPSS Regression Models（回归模块）。SPSS回归模块为您提供大量的非线性建模工具，多维尺度可以帮您预示行为和态度。"

SPSS回归模块适用于以下情况  

	市场研究：研究消费者购买习惯
	医学研究：研究对剂量的反应
	借贷评估：分析信用风险
	学术研究：评估学习成果检验
	更多其他应用

从诸如.是/否.问题的数据约束中解放出来

使用新的多项式逻辑斯谛回归来预示多于两个类别的分类结果。 例如，什么预示客户购买产品 A、产品B或产品C。预示者可以是分类变量，也可以是连续变量。   

方便地把数据分为两组

使用二元逻辑斯谛回归来预示二分变量，如“买”或“不买”，“选”或“不选”。它提供多种步进方式来选择重要的、最好地预示了响应变量的连续或分类变量。  

控制您的模型  

用约束和未约束非线性回归来更多地控制您的模型及其表达式。 这些回归方法为您提供两种方法进行非线性模型的参数估计。Levenberg-Marquardt算法分析未约束的模型，连续二次方程编程算法使您可以指定对参数估计的约束，为您提供您自己的损失函数(loss function)，并得到标准误的自举(bootstrap)估计。 

放松您的假设

当数据不能满足普通的最小平方统计要求时，可以使用加权最小二乘法ted Least Squares，WLS))和二阶最小二乘法tage Least Squares，2SLS)。用WLS在一个级数内为测度加更多的权重， 2SLS可以进行经常在基于时间的数据中出现的预示变量和误差条件之间的相关控制。

发现最好的刺激

   Probit和Logit响应模型用于分析对某一刺激的响应力度。Probit用Logit或Probit响应比例转换来评估刺激的价值。

系统需要

	SPSS Base
	其他系统需求根据平台的不同而异