گراف پد

رگرسیون حداقل مربعات جزئی Partial Least Squares Regression (PLS)

 

رگرسیون حداقل مربعات جزئی (PLS) Partial Least Squares Regression یک روش رگرسیون سریع، کارآمد و بهینه بر اساس کوواریانس است و معمولاً هنگامی استفاده می‌شود که Variableهای توضیحی زیادی که با یکدیگر همبسته هستند، در مطالعه وجود دارند. رگرسیون PLS روشی است که Variableهای پیش‌بینی را به مجموعه کوچکتری از پیش‌بینی کننده‌ها کاهش می‌دهد. سپس از این مجموعه کوچک شده، برای انجام رگرسیون استفاده می‌‌کند. به این مجموعه‌های کوچک شده که از Independent Variableها ساخته می‌شود فاکتورهای نهفته Latent Factors گفته می‌شود.

iconspace_Presentation_1_54px-512

مثال و فایل نرم‌افزار

فایل‌ها و مثال با نرم‌افزار SPSS
iconspace_Computer_54px-512

ویدئو

75 دقیقه

مطالب رگرسیون حداقل مربعات جزئی (PLS)

Partial Least Squares Regression

    html nested lists in direction rtl
  • Projection to Latent Structure
  • Latent Factors
  • Principal Component (PC)
  • Collinearity Diagnostics
  • Dependent & Independent Variables
  • Maximum number of latent factors
  • Main Effect & Interaction Effect
  • Individual Cases
  • Cumulative Y Variance (R-square)
  • Proportion of Variance Explained
  • Variable Importance in the Projection (VIP)
  • Parameters, Weights, Loadings
  • Cumulative Variable Importance
  • Regression Plot: Y-Scores vs. X-Scores
  • Factor Weights
  • Distance X & Y
  • PLS predicted & residual values
 

رگرسیون حداقل مربعات جزئی

    html nested lists in direction rtl
  • رگرسیون PLS چیست و چه کاربردی دارد
  • تفاوت‌ها و شباهت‌های PLS با OLS, PCA, PCR
  • بیان مثال و تنظیمات نرم‌افزار
  • طراحی مدل رگرسیون PLS اولیه
  • طراحی فاکتورهای نهفته در مدل PLS
  • یافتن پارامترها و نتایج بیشتر در تب Options
  • جدول نسبت واریانس توضیح داده شده
  • یافتن عدد بهینه برای تعداد فاکتورهای نهفته PLS
  • جدول پارامترهای براورد شده مدل PLS
  • جدول اندازه اهمیت هر کمیت در مطالعه
  • تشخیص و تشکیل اجزای هر فاکتور نهفته
  • اثرات اصلی و متقابل در رگرسیون PLS
  • جداول وزن‌ها و بارها در رگرسیون PLS
  • گراف‌ها و نمودارهای تحلیل رگرسیون PLS
  • فایل‌های جدید Dataset پس از تحلیل رگرسیونی
  • مقادیر پیش‌بینی شده X و Y در مدل PLS
  • به دست آوردن باقیمانده‌‌ها و فواصل مدل
  • نمرات فاکتور نهفته در نتایج رگرسیونی
 

تماس و مشاوره با گراف‌پد