在进行回归分析时，通常都是考察多个X对Y的影响，但有时复杂的研究也会涉及研究多个X对多个Y的影响，尤其是数据存在当自变量存在多重共线性问题时，普通的多元线性回归无法很好的解决问题。PLS回归则能很好的解决这些问题。

应用场景

PLS回归（Partial least squares regression，偏最小二乘法回归），是一种研究影响关系的多元统计方法。

主要用于解决共线性问题、分析多个自变量对多个因变量Y的影响关系、以及处理小样本。

案例应用

（1）背景

本案例研究身体特征指标（共3个X，分别是体重X1、腰围X2和脉博X3）对于训练指标（共3个Y，分别是单杠Y1、弯曲Y2和跳高Y3）的影响关系，样本数据为20个。由于数据样本量非常小（20个），并且因变量为3个无法概括成一个，并且3个X之有着共线性，因此使用PLS回归进行研究。

（2）研究步骤

PLS回归一般的分析步骤分为两个步骤，分别如下：

第一步：确认提取主成分数量，通过交叉有效性和投影重要性VIP分析表格进行确认；

第二步：基于第一步主成分数量基础上，进行回归分析。

其中又包括以下几个步骤：①建立主成分与Y的关系表达式、②描述主成分与研究项之间的相关系数loading值、③描述主成分与研究间之间信息解释率（浓缩率）即精度分析、④建立原始自变量X对Y的回归方程以及、⑤X对Y的解释力度。

（3）操作步骤

使用途径：SPSSAU→进阶方法→PLS回归  

放置位置如下：

 

（4）结果分析

第一阶段：确认提取主成分数量。先不设定提取的成分数量，点击“开始PLS回归分析”。

①投影重要性指标汇总

投影重要性指标汇总 SPSSAU-VIP指标直方图  

投影重要性指标VIP值汇总表可用于辅助判断主成分数量，并且更多用于反映X对于Y（整体）的影响力度。值越大说明解释力度越强，如果说主成分继续增加，VIP值并没有明显的增加，则说此时的主成分个数为最佳提取个数。

上图表中显示，1个主成分和2个主成分时，3个X对应的VIP指标变化均很小，仅X3有着一定变化（从0.414到0.565），2个主成分到3个主成分时，3个X对应的VIP指标变化也很小。因而说明可能1个主成分或者2个主成分均较为适合，具体还可以结合交叉有效性进行综合决定。

 

②交叉有效性分析

交叉有效性分析

上表展示的是提取不同主成分个数时的误差平方和SS，预测误差平方和PRESS，以及Qh²共三个指标。

常见的判断主成分个数的标准是Qh²大于0.0975，说明该主成分对模型是有贡献的，如果Qh²小于0.0975，意味着该成分对于模型没有贡献。

由上表可知，只有当主成分为1时，Qh²值符合判断大于0.0975，第2个或者第3个主成分对于模型没有贡献，因此最终选择1个主成分作为结论。

第二阶段：确定提取主成分个数后，回到分析页面，将【成分数量】改为1，即提取1个主成分。点击开始PLS回归分析。

SPSSAU分析界面

①主成分与研究项数学关系表达式

SPSSAU智能文字分析

上图是系统自动生成的主成分表达式，可直接使用。

②主成分与研究项相关分析(loading值)

上表用于分析主成分与分析项间的相关关系，loading值即为主成分与研究项之间的因子载荷系数(factor loading)值。

由上表可知，主成分U1与原自变量X1、X2、X3的因子载荷系数值分别为0.066、0.676、-0.359。说明主成分U1与X1、X2的相关关系更紧密，有较强的正相关关系，主成分U1与X3呈负相关关系。主成分V1与Y1,Y2,Y3均有着负向的相关关系。

③因变量Y与自变量X间关系之回归系数

SPSSAU-标准化回归系数  

上表格展示因变量Y与自变量X之间的回归方程，具体如下：

Y1（单杠）=-0.202*X1（体重）-0.264*X2（腰围）+0.082*X3（脉搏）

Y2（弯曲）=-0.245*X1（体重）-0.321*X2（腰围）+0.099*X3（脉搏）

Y3（跳高）=-0.084*X1（体重）-0.110*X2（腰围）+0.034*X3（脉搏）

④精度分析

以上两个表分别反映的是主成分对U1和V1对应研究项的信息提取情况。实际研究中，一般只需要分析主成分U与X的精度分析；主成分V与Y的精度分析。原因在于主成分U为X的信息浓缩，主成分V为Y的信息浓缩。

⑤投影重要性指标汇总表

从上表可知，X1对于所有Y的解释力度最高(VIP值为1.336)，其次是X1(VIP为1.022)，X3对于所有Y的解释力度最低。

其他说明

（1）PLS回归涉及大量主成分分析与典型相关的知识，建议可以先了解对应的知识，再进行使用，以免误用。

（2）主成分是以成对形式出现，比如结合VIP分析和交叉有效性分析，得出主成分数量为2，其实是两对主成分；U1和V1为一对；U2和V2为一对； U1,U2代表对于X的信息浓缩； V1和V2代表对于Y的信息浓缩。

（3）PLS回归适合小样本量（不超过200），自变量存在多重共线性以及同时研究多个X对多个Y的影响。

登录SPSSAU官网体验在线数据分析​​​​