Regresión por mínimos cuadrados parciales

El procedimiento Regresión de mínimos cuadrados parciales estima los modelos de regresión de los mínimos cuadrados parciales (PLS, también denominados "proyección a la estructura latente"). La PLS es una técnica de predicción alternativa a la regresión de mínimos cuadrados ordinarios (OLS), a la correlación canónica o al modelado de ecuaciones estructurales, y resulta particularmente útil cuando las variables predictoras están muy correlacionadas o cuando el número de predictores es superior al número de casos.

La PLS combina las características del análisis de componentes principales y la regresión múltiple. En primer lugar, extrae un conjunto de factores latentes que explica en la mayor medida posible la covarianza entre las variables dependientes e independientes. A continuación, un paso de regresión pronostica los valores de las variables dependientes mediante la descomposición de las variables independientes.

Tablas: La proporción de la varianza explicada (por factor latente), las ponderaciones y las cargas de los factores latentes, la importancia de la variable independiente en proyección (VIP) y las estimaciones de los parámetros de la regresión (por variable dependiente) se generan de forma predeterminada.
Gráficos: La importancia de las variables en la proyección (VIP), las puntuaciones factoriales, las ponderaciones factoriales para los tres primeros factores latentes y la distancia al modelo se generan desde la pestaña Opciones .

Consideraciones sobre los datos

Nivel de medición: Las variables (predictoras) dependientes e independientes pueden ser de escala, nominales u ordinales. El procedimiento supone que se ha asignado el nivel de medición adecuado a todas las variables, aunque puede cambiar temporalmente el nivel de medición de una variable pulsando el botón derecho la variable en la lista de variables de origen y seleccionando un nivel de medición en el menú emergente. El procedimiento trata por igual las variables categóricas (nominales u ordinales).
Codificación de variables categóricas: El procedimiento recodifica temporalmente las variables dependientes categóricas utilizando la codificación "una de c" durante el procedimiento. Si hay categorías c de una variable, la variable se almacena como vectores c , con la primera categoría indicada (1,0, ..., 0), la siguiente categoría (0,1,0, ..., 0), ..., y la categoría final (0,0, ..., 0, 1). Las variables dependientes categóricas se representan mediante una variable auxiliar o dummy; es decir, omitiendo simplemente el indicador correspondiente a la categoría de referencia.
Ponderaciones de frecuencia: Los valores de ponderación se redondean al número entero más cercano antes de utilizarlos. Los casos con ponderaciones perdidas o ponderaciones inferiores a 0,5 no se emplearán en los análisis.
Valores perdidos: Los valores perdidos del usuario y del sistema se consideran no válidos.
Cambio de escala: Todas las variables del modelo se centran y tipifican, incluidas las variables indicador que representan variables categóricas.

Obtención de regresión por mínimos cuadrados parciales

En los menús seleccione:

Analizar > Regresión > Mínimos cuadrados parciales ...

Seleccione al menos una variable dependiente.
Seleccione al menos una variable independiente.

Si lo desea, puede:

Especificar una categoría de referencia para las variables dependientes categóricas (nominales u ordinales).
Especificar la variable que se utilizará como identificador exclusivo para los resultados por casos y los conjuntos de datos guardados.
Especificar un límite máximo para el número de factores latentes que se extraerán.

Este procedimiento pega la sintaxis del comando PLS .