XLSTAT-PLS
La régression PLS (Partial Least Squares Regression) est une méthode récente (années 1980) qui permet de s'affranchir de certaines contraintes de la régression linéaire classique. Avec la régression PLS il est possible de modéliser une ou plusieurs variables dépendantes en fonction d'un nombre très important de variables explicatives, quelque soit le nombre d'observations, sans risquer un sur-ajustement du modèle. Par souci de complétude, ce module propose aussi la régression sur les composantes principales (PCR, Principal Components Regression), et la régression linéaire classique (OLS, Ordinary Least Squares regression).
Fonctionnalités :
Régression PLS :
- Régression PLS1 et PLS2
- Calcul et affichage des composantes
- Graphiques des corrélations, des individus et biplots
- Equations des modèles
- Coefficients standardisés et intervalles de confiance
- Prédictions et résidus
- Prédictions et résidus sur données de validation
- Prédictions sur jeu de prédiction Tutoriel 1
Régression PCR :
- ACP avec choix des composantes adapté à la régression
- Graphiques des corrélations, des individus et biplots
- Calcul de la régression dans l'espace des composantes retenues
- Coefficients dans l'espace de départ
- Coefficients standardisés et intervalles de confiance
- Affichage de l'équation
- Prédictions et résidus
- Prédictions et résidus sur données de validation
- Prédictions sur jeu de prédiction
Régression OLS :
- Quatres méthodes de sélection de variables avec de nombreux critères
- Analyse de la variance, Type ISS, Type IIISS
- Coefficients du modèle
- Coefficients standardisés et intervalles de confiance
- Affichage de l'équation
- Prédictions et résidus
- Prédictions et résidus sur données de validation
- Prédictions sur jeu de prédiction