彼得巴特尔peter.bartell@jmp.com建议在普通最小二乘（JMP 中的标准最小二乘）不足时使用偏最小二乘。
JMP 中的 PLS 平台基于解释变量的线性组合拟合线性模型 ( X s)。 这些因子的获得方式是试图最大化X s 和响应或响应 (是s)。 PLS 利用了X s 和是s 揭示潜在的潜在结构。
PLS 在使用普通最小二乘法不能产生令人满意的结果时很有用，包括当您的 X 变量多于观测值时；高度相关的 X 变量；大量X变量；几个 Y 变量；和许多 X 变量。
JMP Pro 提供了执行 PLS 判别分析 (PLS-DA) 的附加功能，包括各种模型效应、使用多种验证方法、估算缺失数据以及获得各种统计数据分布的引导估计。
在 JMP 专业版中，PLS是一个拟合模型特性，它通过以下方式提供超过 JMP 的附加功能：
- 用名义和连续数据类型拟合响应
- 拟合多项式、交互作用和分类效应
- 提供一组更大的验证和交叉验证方法，包括训练/验证/测试构造、Kfold、Leave-One-Out 和 Holdback %
- 估算缺失数据
- 提供选择统计量分布的 Bootstrap 估计。
