부분 최소 제곱법에 대한 데이터 고려 사항

유효한 결과를 얻으려면 데이터를 수집하고 분석을 수행하거나 결과를 해석할 때 다음 지침을 따르십시오.

예측 변수를 고정하지 않아도 됩니다

PLS에서는 예측 변수가 고정되었다고 가정하지 않으므로, 예측 변수가 오차와 함께 측정될 수 있습니다. 예측 변수가 고정이고 심각한 측정 오차가 없으면 적합 회귀 모형을 사용하십시오.

데이터에 관측치보다 많은 항이 있거나 예측 변수의 공선형성이 높습니다.

예측 변수가 선형이 아니고 데이터에 항 수보다 많은 관측치가 포함되어 있으면 적합 회귀 모형을 사용하십시오.

예측 변수는 계량형 또는 범주형일 수 있습니다.

계량형 변수는 측정 및 정렬이 가능하며 임의의 두 변수 사이에 무한한 수의 값을 가질 수 있습니다. 예를 들어, 타이어 표본의 지름은 계량형 변수입니다.

범주형 변수에는 유한하고 셀 수 있는 수의 범주 또는 고유 그룹이 포함됩니다. 범주형 데이터에는 논리적 순서가 없을 수도 있습니다. 예를 들어, 범주형 예측 변수에는 성별, 재료 유형, 결제 방법이 포함됩니다.

이산형 변수가 있는 경우 이 변수를 계량형 예측 변수로 간주할 것인지, 범주형 예측 변수로 간주할 것인지 결정할 수 있습니다. 이산형 변수는 측정 및 정렬이 가능하지만 셀 수 있는 수의 값을 가질 수 있습니다. 예를 들어, 한 가구에 거주하는 사람의 수는 이산형 변수입니다. 이산형 변수를 계량형으로 간주할 것인지, 범주형으로 간주할 것인 지는 수준 개수 및 분석 목적에 따라 결정됩니다. 자세한 내용은 범주형, 이산형 및 계량형 변수의 정의에서 확인하십시오.

반응 변수는 계량형이어야 합니다.

상관된 반응 변수를 사용하여 분석을 수행하는 경우, PLS에서 다변량 반응 패턴 및 각 반응에 대한 별도의 분석을 통해 가능한 더 약한 관계를 탐지할 수 있습니다.

반응 변수가 범주형이면 모형이 분석의 가정을 충족하거나 데이터를 정확히 설명하거나 유용한 예측을 할 가능성이 적습니다.

예측 변수들의 상관 관계가 크지 않고 예측 변수가 관측치보다 많지 않은 경우 다음과 같은 분석을 대신 고려할 수 있습니다.

• 반응 변수에 두 개의 범주가 있으면(예: 통과 및 실패) 이항 로지스틱 모형 적합을 사용하십시오.
• 반응 변수에 자연스러운 순서를 갖는 세 개 이상의 범주가 있으면(예: 적극 반대, 반대, 중립, 찬성, 적극 찬성) 순서형 로지스틱 회귀 분석을 사용하십시오.
• 반응 변수에 자연스러운 순서를 갖지 않는 세 개 이상의 범주가 있으면(예: 긁힘, 패임, 찢어짐) 명목형 로지스틱 회귀 분석을 사용하십시오.
• 반응 변수가 발생 횟수를 카운트하면(예: 결점 수) 포아송 모형 적합을 사용하십시오.

최적의 경험을 사용한 데이터 수집

유효한 결과를 얻으려면 다음 지침을 따르십시오.

• 데이터가 관심 있는 모집단을 나타내는지 확인합니다.
• 필요한 정밀도를 제공하기에 충분한 데이터를 수집합니다.
• 최대한 정확하게 변수를 측정합니다.
• 데이터를 수집된 순서대로 기록합니다.

모형이 데이터를 잘 적합해야 함

모형이 데이터를 적합시키지 않으면 잘못된 결과를 얻을 수 있습니다. 결과에서 잔차 그림, 모형 선택 및 검증 통계량, 반응도를 사용하여 모형이 데이터를 얼마나 잘 적합시키는지 확인하십시오.