Utilisez Régression par les moindres carrés partiels (PLS) pour décrire la relation qui existe entre un ensemble de prédicteurs et des réponses continues. Utilisez PLS lorsque vous avez des prédicteurs extrêmement colinéaires ou lorsque vous avez plus de prédicteurs que d'observations. La méthode PLS peut également être utilisée lorsque les prédicteurs ne sont pas fixes et qu'ils sont mesurés avec l'erreur. Elle réduit les prédicteurs à un plus petit ensemble de composantes non corrélées et effectue la régression par les moindres carrés sur ces composantes, plutôt que sur les données initiales. Pour plus d'informations, reportez-vous à la rubrique Qu'est-ce que la régression par les moindres carrés partiels ?.
Si vous effectuez l'analyse avec des variables de réponse corrélées, la fonction PLS permet de détecter des schémas de réponses multivariés et des relations plus faibles qu'il n'est possible en effectuant une analyse différente pour chaque réponse.
Par exemple, une société spécialisée dans la spectrographie chimique utilise PLS pour modéliser la relation qui existe entre les mesures spectrales (NIR, IR, UV), car ces modèles incluent de nombreuses variables corrélées entre elles.
Pour effectuer une régression sur les moindres carrés partiels, sélectionnez .
Si les prédicteurs sont fixes et ne comportent pas d'erreur de mesure majeure, ou si les prédicteurs sont hautement colinéaires et que vos données incluent plus d'observations que de termes, utilisez Ajuster le modèle de régression.