Estadísticos de X y Y para Regresión de mínimos cuadrados parciales

Encuentre definiciones y ayuda para interpretar cada estadístico incluido en la tabla Estadísticos de X y Y.

Valores calculados de X

Los valores calculados de X son combinaciones lineales de las puntuaciones de X. Los valores calculados de X contienen la varianza en los términos que es explicada por el modelo de regresión PLS. Las observaciones con valores calculados de X relativamente pequeños son valores atípicos en el espacio X y el modelo no los explica adecuadamente.

La matriz calculada de X, similar a la matriz original de X, es una matriz n x p, donde n = número de observaciones y p = número de términos. Los valores calculados de X están en la misma escala que los predictores.

Si el número de componentes es igual al número de términos, entonces el valor calculado de X es igual al valor original de X.

Influencias de X

Las influencias de X son los coeficientes lineales que vinculan los términos a las puntuaciones de X. Las influencias de X indican la importancia del término correspondiente para el componente mésimo. Las influencias de X, que son similares a los vectores propios en los análisis de los componentes principales, forman una matriz p x m, donde p = número de términos y m = número de componentes.

Residuos de X

Los residuos de X contienen la varianza en los predictores que no es explicada por el modelo de regresión PLS. Las observaciones con residuos de X relativamente grandes son valores atípicos en el espacio X, lo que indica que no son explicadas adecuadamente por el modelo.

Los residuos de X son las diferencias entre los valores reales de cada término y los valores calculados de X y están en la misma escala que los predictores originales. La matriz de residuos de X, similar a la matriz original de X, es una matriz n x p, donde n = número de observaciones y p = número de términos.

Puntuaciones de X

Las puntuaciones de X son combinaciones lineales de los términos incluidos en el modelo. Las puntuaciones de X, que son similares a las puntuaciones de componentes principales, forman una matriz n x m de columnas no correlacionadas, donde n = número de observaciones y m = número de componentes. Las puntuaciones de X, que proporcionan una ventana al espacio X, son proyecciones de las observaciones en los componentes de la regresión PLS. La regresión PLS ajusta las puntuaciones de X, que reemplazan a los términos originales en el modelo, utilizando la estimación de mínimos cuadrados.

Varianza de X

La varianza de X es la cantidad de varianza en los términos que es explicada por el modelo. El valor de la varianza de X está entre 0 y 1

Mientras más cerca de 1 esté el valor de la varianza de X, mejor representarán los componentes al conjunto original de términos. Si tiene más de 1 respuesta, el valor de la varianza de X es igual para todas las respuestas.

Ponderaciones de X

Las ponderaciones de X describen la covarianza entre los predictores y las respuestas. En el algoritmo, las ponderaciones de X se utilizan para asegurar que las puntuaciones de X sean ortogonales, o no estén relacionadas entre sí. Las ponderaciones de X, que se utilizan para calcular las puntuaciones de X, forman una matriz p x m, donde p = número de términos y m = número de componentes.

Valores calculados de Y

Los valores calculados de Y son combinaciones lineales de las puntuaciones de X. Los valores calculados de Y contienen la varianza en las respuestas que es explicada por el modelo de regresión PLS. Las observaciones con valores calculados de Y relativamente pequeños son valores atípicos en el espacio Y no son explicadas adecuadamente.

La matriz calculada de Y, al igual que la matriz original de Y, es una matriz n x r, donde n = número de observaciones y r = número de respuestas. Los valores calculados de Y están en la misma escala que las respuestas.

Influencias de Y

Las influencias de Y son los coeficientes lineales que vinculan las respuestas a las puntuaciones de Y. Los valores de influencia de Y denotan la importancia de la respuesta correspondiente para el componente mésimo. Las influencias de Y forman una matriz r x m, donde r = número de respuestas y m = número de componentes.

Residuos de Y

Los residuos de Y contienen la varianza restante en las respuestas que no es explicada por el modelo de regresión PLS. Las observaciones con residuos de Y relativamente grandes son valores atípicos en el espacio Y, lo que indica que no son explicadas adecuadamente por el modelo.

Los residuos de Y son las diferencias entre los valores de respuesta reales y los valores calculados de Y, y se encuentran en la misma escala que las respuestas originales. La matriz de residuos de Y, similar a la matriz original de Y, es una matriz n x r, donde n = número de observaciones y r = número de respuestas.

Puntuaciones de Y

Las puntuaciones de Y son combinaciones lineales de las variables de respuesta. Las puntuaciones de Y forman una matriz n x m, donde n = número de observaciones y m = número de componentes. Las puntuaciones de Y, que proporcionan una ventana al espacio Y, son proyecciones de las observaciones en los componentes de la regresión PLS.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política