“偏最小二乘”平台概述

与普通最小二乘法相比，当预测变量数比观测数多时，可以使用 PLS。PLS 广泛用于对高维数据建模的领域中，如光谱学、化学计量学、基因组学、心理学、教育、经济学、政治学和环境学。

当解释变量数比观测数多或解释变量高度相关时，使用 PLS 方法拟合模型很有用。您可以使用 PLS 来同时对几个响应变量拟合一个模型。请参见 Garthwaite (1994), Wold (1994), Wold et al. (2001)、Eriksson et al. (2006) 和 Cox and Gaudard (2013)。

该平台提供两种模型拟合算法：非线性迭代偏最小二乘 (NIPALS) 和“PLS 的统计启发修改”(SIMPLS)。有关 NIPALS 的详细信息，请参见 Wold (1980)。有关 SIMPLS 的详细信息，请参见 De Jong (1993)。有关两种方法的说明，请参见 Boulesteix and Strimmer (2007)。SIMPLS 算法开发的目的在于解决特定的最优问题。对于单个响应，这两种方法会给出相同的模型。对于多重响应，它们略有不同。

在 JMP 中，只能通过“分析”>“多元方法”>“偏最小二乘”来访问 PLS 平台。在 JMP Pro 中，您还可以通过“分析”>“拟合模型”来访问“偏最小二乘”特质。

• 使用“拟合模型”中的“偏最小二乘”特质，通过拟合具有名义型建模类型的响应来执行 PLS-DA（PLS 判别分析）。

• 使用“拟合模型”中的“偏最小二乘”特质拟合多项式、交互作用和分类效应。

• 在几种验证和交叉验证方法中进行选择。

• 补缺缺失数据。

• 获取各种统计量分布的 Bootstrap 估计值。右击关注的报表。有关 Bootstrap 估计值的详细信息，请参见《基本分析》。

“偏最小二乘”使用 van der Voet T2 检验和交叉验证来帮助您选择要提取的最佳因子数。

• 在 JMP 中，该平台使用“留一法”交叉验证。您也可以选择不使用验证。