Regularized Generalized Canonical Correlation Analysis (RGCCA)

Cette méthode issue de Tenenhaus et al. (2011) permet de se rapprocher de l’approche PLS en gardant des fonctions à optimiser (à la différence de l’approche PLS).

A la différence de l’approche PLS, les résultats de la méthode RGCCA sont des corrélations entre les variables latentes et entre les variables manifestes et leurs variables latentes associées (il n’y a pas de régressions à la fin de l’algorithme).

La méthode RGCCA est basée sur un algorithme itératif simple proche de celui de l’approche PLS.

Une fois que l’algorithme a convergé, on obtient des résultats qui optimisent des fonctions bien précises en fonction du choix du paramètre tau.

Ce paramètre permet d’ajuster le « mode ». Si tau=0 alors on sera dans le cas du mode B et les résultats de la méthode RGCCA et de l’approche PLS concordent complètement. Lorsque tau=1, on se trouve dans le cas de ce qu’appelle M. Tenenhaus, le nouveau mode A qui est proche du mode A tout en optimisant une fonction donnée. Lorsque tau varie entre 0 et 1, on se rapproche plus ou moins de l’un des deux modes. XLSTAT-PLSPM permet aussi d'utiliser le mode Ridge RGCCA qui optimise automatiquement la valeur du paramètre tau. Pour plus de détails sur la méthode RGCCA, voir Tenenhaus et al. (2011).

 

Tenenhaus, M. and Tenenhaus, A. (2011). Regularized Generalized Canonical Correlation Analysis, Psychometrika, 76(2), 257–284.

ternary diagramneural network diagram

analysez vos données avec xlstat

essayez gratuitement pendant 14 jours