La régression PLS
Dates et durée
 S'inscrire
1 jour
700 €HT

Objectif
Ce cours aborde la problématique de la corrélation des variables explicatives dans les modèles de régression (multicollinéarité), son impact sur la qualité des modèles obtenus et présente la technique actuellement la plus utilisée pour résoudre ce problème de multicolinéarité : la régression Partial Least Squares (PLS).

Pré-requis
Connaître le langage SAS (base et Stat) et avoir des connaissances théoriques sur la régression linéaire simple et multiple ainsi qu'en analyse de données (ACP, ACM).

Référence
SASPLS

Imprimer
Problématique
  Régression linéaire sur données corrélées
  Comment identifier les problèmes de multicolinéarité ?
  Comment traiter la multicolinéarité ?
Régression en composantes principales
  Principe et méthodes
  Utilisation de l'ACP (ou AFC)
  Régression sur les composantes principales en pratique
Régression Partial Least Squares " PLS
  Principe et méthodes
  Utilisation de l'ACP (ou AFC)
  Régression sur les composantes principales en pratique
Régression " Partial Least Squares " PLS
  Contexte d'utilisation
  Régression PLS univariée (PLS1) : une seule variable à expliquer
  Régression PLS multivariée (PLS2) : plusieurs variables à expliquer
  Analyse discriminante PLS : variable à expliquer qulitative
  Exemples d'application
Mise en œuvre sous SAS
  Procédure PROC PLS
  Données initiales
  Construction des composantes principales
  Sélection des composantes principales
  Interprétation des résultats générés par la PROC PLS
  Application de la PROC PLS avec comparaison avec l'utilisation de la régression en composantes principales