彼得巴特爾peter.bartell@jmp.com建議在普通最小二乘（JMP 中的標準最小二乘）不足時使用偏最小二乘。
JMP 中的 PLS 平台基於解釋變量的線性組合擬合線性模型 ( X s)。 這些因子的獲得方式是試圖最大化X s 和響應或響應 (是s)。 PLS 利用了X s 和是s 揭示潛在的潛在結構。
PLS 在使用普通最小二乘法不能產生令人滿意的結果時很有用，包括當您的 X 變量多於觀測值時；高度相關的 X 變量；大量X變量；幾個 Y 變量；和許多 X 變量。
JMP Pro 提供了執行 PLS 判別分析 (PLS-DA) 的附加功能，包括各種模型效應、使用多種驗證方法、估算缺失數據以及獲得各種統計數據分佈的引導估計。
在 JMP 專業版中，PLS是一個擬合模型特性，它通過以下方式提供超過 JMP 的附加功能：
- 用名義和連續數據類型擬合響應
- 擬合多項式、交互作用和分類效應
- 提供一組更大的驗證和交叉驗證方法，包括訓練/驗證/測試構造、Kfold、Leave-One-Out 和 Holdback %
- 估算缺失數據
- 提供選擇統計量分佈的 Bootstrap 估計。
