부분 최소 제곱법에 대한 x 및 y-통계량

계산된 x-값은 x-점수의 선형 조합입니다. 계산된 x-값은 PLS 회귀 모형으로 설명되는 항의 분산을 포함합니다. 계산된 x-값이 상대적으로 작은 관측치는 x-공간의 특이치이며, 모형으로 잘 설명되지 않습니다.

계산된 x-행렬은 원래 x-행렬과 마찬가지로 n x p 행렬입니다. 여기서 n은 관측치 수이고 p는 항 수입니다. 계산된 x-값은 예측 변수와 척도가 같습니다.

성분 수가 항 수와 같으면 계산된 x-값은 원래 x-값과 같습니다.

x-적재는 항을 x-점수에 연결하는 선형 계수입니다. x-적재는 m 번째 성분에 해당하는 항의 중요성을 나타냅니다. 주성분 분석의 고유 벡터와 비슷한 x-적재는 p x m 행렬을 구성합니다. 여기서 p는 항 수이고 m은 성분 수입니다.

x-잔차는 PLS 회귀 모형으로 설명되지 않는 예측 변수의 분산을 포함합니다. x-잔차가 상대적으로 큰 관측치는 x-공간의 특이치이며 모형으로 잘 설명되지 않습니다.

x-잔차는 각 항의 실제 값과 계산된 x-값 간의 차이이며, 원래 예측 변수와 척도가 같습니다. x-잔차 행렬은 원래 x-행렬과 마찬가지로 n x p 행렬입니다. 여기서 n은 관측치 수이고 p는 항의 수입니다.

X-점수는 모형 내 항의 선형 조합입니다. 주성분 점수와 비슷한 x-점수는 상관 관계가 없는 열로 이루어진 n x m 행렬을 구성합니다. 여기서 n은 관측치의 개수이고 m은 성분의 개수입니다. x-점수는 PLS 회귀 성분에 대한 관측치를 투영합니다. PLS 회귀 분석은 최소 제곱 추정 방법을 사용하여 모형의 원래 항을 대체하는 x-점수를 적합시킵니다.

x-분산은 항의 분산 가운데 모형에 의해 설명되는 양입니다. x-분산 값은 0과 1 사이입니다.

x-분산 값이 1에 가까울수록 성분이 원래 항 집합을 더 잘 나타냅니다. 반응값이 2개 이상인 경우 x-분산 값은 모든 반응값에 대해 같습니다.

x-가중치는 예측 변수와 반응 사이의 공분산을 설명합니다. 알고리즘에서 x-가중치는 x-점수가 직교이거나 서로 관련이 없도록 하기 위해 사용됩니다. x-점수를 계산하는 데 사용되는 x-가중치는 p x m 행렬을 구성합니다. 여기서 p는 예측 변수의 수이고 m은 성분 수입니다.

계산된 y-값은 y-점수의 선형 조합입니다. 계산된 y-값은 PLS 회귀 모형으로 설명되는 반응값의 분산을 포함합니다. 계산된 y-값이 상대적으로 작은 관측치는 y-공간의 특이치이며 잘 설명되지 않습니다.

계산된 y-행렬은 원래 y-행렬과 마찬가지로 n x r 행렬입니다. 여기서 n은 관측치 수이고 r은 반응값 수입니다. 계산된 y-값은 반응값과 척도가 같습니다.

Y-적재는 반응값을 y-점수에 연결하는 선형 계수입니다. Y-적재 값은 ^m 번째 성분에 대한 반응값의 중요성을 나타냅니다. Y-적재는 r x m 행렬을 구성하며, 여기서 r은 반응값 수이고 m은 성분 수입니다.

y-잔차에는 PLS 회귀 모형으로 설명되지 않는 반응 변수의 나머지 분산이 포함됩니다. y-잔차가 비교적 큰 관측치는 y-공간에서 특이치이므로 모형에 의해 잘 설명되지 않음을 알 수 있습니다.

y-잔차는 실제 반응 값과 y-계산 값의 차이이며, 원래 반응 변수와 척도가 같습니다. Y-잔차 행렬은 원래 y-행렬과 마찬가지로 n x r 행렬입니다. 여기서 n은 관측치 수이고 r은 반응값 수입니다.

y-점수는 반응 변수의 선형 결합입니다. 여기서 n은 관측치의 개수이고 m은 성분의 개수입니다. y-점수는 PLS 회귀 성분에 대한 관측치를 투영합니다.