Régression linéaire généralisée des moindres carrés partielsExiste-t-il des plans pour étendre le modèle PLS à ce que je vois appelé PLS-GLM.Dans ce modèle, la réponse peut être catégorique.Le modèle est un hybride de PLS et d'une méthode de régularisation qui permet à la réponse de rester vraiment, disons, binaire.C'est-à-dire que la réponse n'est pas recodée en tant que 0/1, puis PLS est appliqué comme s'il était numérique.PLS-GLM a le maximum de vraisemblance comme fonction objectif au lieu de la covariance maximale.Actuellement, je ne fais que lire la littérature, donc j'ai encore peu à offrir.
Objet : Régression linéaire généralisée par les moindres carrés partielsOK, alors voici où j'ai atterri sur cette question.J'ai codé ce qu'on appelle l'algorithme PLS-GLM à partir de l'article "PLS Generalized Linear Regression", Bastien, Vinzi et Tenenhaus, Computational Statistics and Data Analysis 48 (2005).Dans cet article, ils présentent un algorithme qui utilise le maximum de vraisemblance pour résoudre l'ensemble des composants PLC orthogonaux.J'ai comparé mes résultats de PLS-DA dans JMP Pro à ceux de PLS-GLM.Ce ne sont pas exactement les mêmes, pas de surprise puisque le calcul n'est pas le même.Cependant les modèles qu'ils produisent sont très proches.Si proche que je repars avec la conviction que coder la réponse comme continue est probablement OK.Au moins, je peux dire que j'ai fait l'approche puriste, permettant à la réponse de conserver sa distribution native, et les différences entre les deux méthodes étaient à peine perceptibles.
Ce serait quand même plutôt cool d'avoir PLS-GLM ajouté à la suite d'analyse.
Objet : Régression linéaire généralisée par les moindres carrés partielsMerci Dan,
C'est exactement ce que je fais en ce moment.Cependant, on m'a dit que JMP code la réponse binaire comme 0/1 et fait un PLS régulier et traite la réponse comme numérique.Dans l'article PLS Generalized Linear Regression, Bastien, Vinzi, Tenenhaus in Computational Statistics and Data Analysis 2005, ils expliquent comment faire PLS avec une réponse binaire et utilisent la fonction de lien.Au lieu de maximiser Cov(X * beta, Y) nous maximisons la vraisemblance de Y étant donné X * beta.Il existe plusieurs autres journaux qui font ce PLS-GLR.Ils utilisent donc explicitement le fait que la réponse n'est pas numérique (pourrait aussi être Poisson ou quoi que ce soit de la famille exponentielle, je suppose).Le résultat final est toujours une base orthogonale pour l'étendue de X, mais il est dérivé sans forcer le vecteur de réponse à résider dans un espace de produit iner avec X *beta.
Pour moi, cela revient à la question de savoir si PLS-GLM donne de meilleurs résultats que PLS-DA.Je ne connais pas la réponse, mais il m'est plus difficile de défendre le PLS-DA comme ma technique de modélisation quand je sais que j'ignore la distribution native de la réponse.C'est un peu comme ajuster des données de réponse binaires à l'aide d'OLS, dont nous savons qu'elles sont fausses.
Objet : Régression linéaire généralisée par les moindres carrés partielsJe pense que vous regardez ce qu'on appelle PLS-DA (PLS - Discriminant Analysis). Utilisez Fit Model, placez une cible nominale en tant que Y et vos prédicteurs dans le modèle. Dans la liste déroulante Moindres carrés standard, choisissez Moindres carrés partiels.
