-
偏最小二乘迴歸法
鎖定
- 中文名
- 偏最小二乘迴歸法
- 外文名
- partial least squares regression
- 簡 介
- 新型的多元統計數據分析方法
- 主要研究
- 多因變量對多自變量的迴歸建模
偏最小二乘迴歸法介紹
偏最小二乘用於查找兩個矩陣(X和Y)的基本關係,即一個在這兩個空間對協方差結構建模的隱變量方法。偏最小二乘模型將試圖找到X空間的多維方向來解釋Y空間方差最大的多維方向。偏最小二乘迴歸特別適合當預測矩陣比觀測的有更多變量,以及X的值中有多重共線性的時候。相比之下,標準的迴歸在這些情況下不見效(除非它是Tikhonov正則化)。
偏最小二乘算法被用在偏最小二乘路徑建模中,一個建立隱變量(原因不能沒有實驗和擬實驗來確定,但一個典型的模型會基於之前理論假設(隱變量影響衡量指標的表現)的隱變量模型)這種技術是結構方程模型的一種形式,與經典方法不同的是基於組件而不是基於協方差。
偏最小二乘來源於瑞典統計學家Herman Wold,然後由他的兒子Svante Wold發展。偏最小二乘的另一個詞(根據Svante Wold)是投影到潛在結構,但偏最小二乘法依然在許多領域佔據着主導地位。儘管最初的應用是在社會科學中,偏最小二乘迴歸被廣泛用於化學計量學和相關領域。它也被用於生物信息學,sensometrics,神經科學和人類學。而相比之下,偏最小二乘迴歸最常用於社會科學、計量經濟學、市場營銷和戰略管理。
偏最小二乘法是集主成分分析、典型相關分析和多元線性迴歸分析3種分析方法的優點於一身。它與主成分分析法都試圖提取出反映數據變異的最大信息,但主成分分析法只考慮一個自變量矩陣,而偏最小二乘法還有一個“響應”矩陣,因此具有預測功能。
研究認為,集多元線性迴歸分析、典型相關分析、主因子分析等方法於一體的偏最小二乘迴歸方法( PLS) 更適用於FM 分析, 可以避免數據非正態分佈、因子結構不確定性( factor indeterminacy) 和模型不能識別等潛在問題。
偏最小二乘迴歸法底層模型
偏最小二乘的一般多元底層模型是
偏最小二乘迴歸法算法
偏最小二乘的許多變量是為了估計因子和載荷矩陣
和
。它們中大多數構造了
和
之間線性迴歸的估計
。一些偏最小二乘算法只適合
是一個列向量的情況,而其它的算法則處理了
是一個矩陣的一般情況。算法也根據他們是否估計因子矩陣
為一個正交矩陣而不同。最後的預測在所有不同最小二乘算法中都是一樣的,但組件是不同的。
偏最小二乘迴歸法擴展
2002年,一個叫做正交投影(英語:Orthogonal Projections to Latent Structures, OPLS)的方法提出。在OPLS中,連續變量數據被分為預測的和不相關的信息。這有利於改進診斷,以及更容易解釋可視化。然而,這些變化只是改善模型的可解釋性,不是生產力。L-PLS通過3個連接數據塊擴展了偏最小二乘迴歸。同樣,OPLS-DA(英語:Discriminant Analysis, 判別分析)可能被應用在處理離散變量,如分類和生物標誌物的研究
[1]
。
偏最小二乘迴歸法軟件實現
大多數統計軟件包都提供偏最小二乘迴歸。R中的‘pls’包提供了一系列算。
- 參考資料
-
- 1. 基於偏最小二乘迴歸的系統諧波阻抗與諧波發射水平的評估方法 .萬方[引用日期2018-08-01]
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:14次歷史版本
- 最近更新: 自己的神7