偏最小二乘回归的 X 和 Y 统计量

X 计算值是 X 分值的线性组合。X 计算值包含项中由 PLS 回归模型解释的方差。X 计算值相对较小的观测值是 X 空间中的异常值，而模型无法很好地解释这些值。

X 计算矩阵与原始 X 矩阵相似，是一个 n x p 矩阵，其中 n = 观测值数，p = 项数。X 计算值与预测变量处于相同尺度。

如果分量数等于项数，则 X 计算值等于原始 X 值。

X 载荷是将项与 X 分值相联系的线性系数。X 载荷表示相应项对第 m 个分量的重要性。X 载荷与主成份分析中的特征向量相似，形成一个 p x m 矩阵，其中 p = 项数，m = 分量数。

X 残差包含预测变量中不由 PLS 回归模型解释的方差。X 残差相对较大的观测值是 X 空间中的异常值，这表明模型无法很好解释这些值。

X 残差是每项的实际值与 X 计算值之间的差，且与原始预测变量处于相同尺度。X 残差矩阵与原始 X 矩阵相似，是一个 n x p 矩阵，其中 n = 观测值数，p = 项数。

X 分值是模型中项的线性组合。X 分值与主成分分值相似，形成一个包含不相关列的矩阵 n x m，其中 n = 观测值数，m = 分量数。X 分值是观测值在 PLS 回归分量上的投影。PLS 回归使用最小二乘估计拟合 X 分值，以替换模型中的原始项。

X 方差是项中由模型解释的方差量。X 方差值介于 0 到 1 之间。

X 方差值越接近于 1，分量表示一组原始项的效果越好。如果具有多个响应，则所有响应的 X 方差值都相同。

X 权重描述预测变量和响应变量之间的协方差。在算法中，X 权重用于确保 X 分值相互正交，即相互无关。X 权重用于计算 X 分值，形成一个 p x m 矩阵，其中 p = 项数，m = 分量数。

Y 计算值是 X 分值的线性组合。Y 计算值包含响应中由 PLS 回归模型解释的方差。Y 计算值相对较小的观测值是 Y 空间中的异常值，而且无法很好地解释这些值。

Y 计算矩阵与原始 Y 矩阵相似，是一个 n x r 矩阵，其中 n = 观测值数，r = 响应数。Y 计算值与响应处于相同尺度。

Y 载荷是将响应变量与 Y 分值相联系的线性系数。Y 载荷值表示相应响应变量对第 m 个分量的重要性。Y 载荷形成一个 r x m 矩阵，其中 r ＝ 响应数，m ＝ 分量数。

Y 残差包含响应中不由 PLS 回归模型解释的剩余方差。Y 残差相对较大的观测值是 Y 空间中的异常值，这表明模型无法很好解释这些残差。

Y 残差是实际响应值与 Y 计算值之间的差，且与原始响应处于相同尺度。Y 残差矩阵与原始 Y 矩阵相似，是一个 n x r 矩阵，其中 n = 观测值数，r = 响应数。

Y 分值是响应变量的线性组合。Y 分值形成一个 n x m 矩阵，其中 n = 观测值数，m = 分量数。Y 分值是观测值在 PLS 回归分量上的投影。