Peter Bartl peter.bartell@jmp.com schlägt vor, Partial Least Squares zu verwenden, wenn Ordinary Least Squares (Standard Least Squares in JMP) nicht ausreicht.
Die PLS-Plattform in JMP passt lineare Modelle basierend auf linearen Kombinationen der erklärenden Variablen an ( X s). Diese Faktoren werden auf eine Weise erhalten, die versucht, die Kovarianz zwischen den zu maximieren X s und die Antwort oder Antworten ( Y s). PLS nutzt die Korrelationen zwischen der X s und die Y s um zugrunde liegende latente Strukturen aufzudecken.
PLS ist nützlich, wenn die Verwendung gewöhnlicher kleinster Quadrate keine zufriedenstellenden Ergebnisse liefert, einschließlich wenn Sie mehr X-Variablen als Beobachtungen haben; stark korrelierte X-Variablen; eine große Anzahl von X-Variablen; mehrere Y-Variablen; und viele X-Variablen.
JMP Pro bietet zusätzliche Funktionen zum Durchführen einer PLS-Diskriminanzanalyse (PLS-DA), zum Einbeziehen einer Vielzahl von Modelleffekten, zum Verwenden mehrerer Validierungsmethoden, zum Imputieren fehlender Daten und zum Erhalten von Bootstrap-Schätzungen der Verteilungen verschiedener Statistiken.
IN JMP Pro, PLS ist eine Fit-Model-Persönlichkeit, die zusätzliche Funktionen gegenüber JMP bietet, indem sie:
- Anpassen von Antworten mit einem nominalen und kontinuierlichen Datentyp
- Anpassen von Polynom-, Interaktions- und kategorialen Effekten
- Angebot eines größeren Satzes von Validierungs- und Kreuzvalidierungsmethoden, einschließlich eines Trainings-/Validierungs-/Testkonstrukts, Kfold, Leave-One-Out und Holdback %
- fehlende Daten ergänzen
- Bereitstellen von Bootstrap-Schätzungen von Verteilungen ausgewählter Statistiken.
