偏最小二乘回归（一）：模型介绍

浅夏110

在实际问题中，经常遇到需要研究两组多重相关变量间的相互依赖关系，并研究用 一组变量（常称为自变量或预测变量）去预测另一组变量（常称为因变量或响应变量）， 除了最小二乘准则下的经典多元线性回归分析（MLR），提取自变量组主成分的主成分回归分析（PCR）等方法外，还有近年发展起来的偏最小二乘（PLS）回归方法。

( I# ?8 _) S8 z5 k; _, k# b) @1 U偏最小二乘回归提供一种多对多线性回归建模的方法，特别当两组变量的个数很 多，且都存在多重相关性，而观测数据的数量（样本量）又较少时，用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。 偏最小二乘回归分析在建模过程中集中了主成分分析，典型相关分析和线性回归分 析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以 同时完成一些类似于主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些 信息。

, {/ \2 p1 N( ^) `2 N5 L本章介绍偏最小二乘回归分析的建模方法；通过例子从预测角度对所建立的回归模 型进行比较。

1 偏最小二乘回归方程式

* r7 \' b8 W# m- Q. L+ `3 t
4 i" A7 [% _6 b* k/ S0 K
* f/ v1 V7 T# Y6 T6 Q+ m) ?! k
! @5 D0 o) z) D; S7 ^8 ]5 s1 R
偏最小二乘回归分析建模的具体步骤
# \# p9 ?3 p  ?0 j- Q" R
+ ]: b2 T; ^; `$ |) `8 q7 }: @


- J2 _0 @- K7 U
: Z& G9 e  Q) p( P7 T9 y) l
模型效应负荷量

; [4 W6 o( F1 y4 H  S0 d
5 \- h/ s: c1 Z  h* x8 P  r- @9 J



: c  f4 \, t. y' {" P           （5）交叉有效性检验
7 M: G* K' g6 A* o  T/ a& k7 ^% U
* x' f6 R$ [7 _% C4 @3 r



————————————————
) M' }- k8 e. r+ y0 L版权声明：本文为CSDN博主「wamg潇潇」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_29831163/article/details/89647033
1 [* V' _  i0 z  j
5 O6 V; h+ C" ], H$ X7 x