Latent Variable Path Modeling with Partial Least Squares

حداقل مربعات جزئی (PLS) یک روش تخمین و یک الگوریتم برای مدل‌های مسیر متغیر پنهان (LVP) است. PLS یک تکنیک مولفه است و متغیرهای پنهان را به صورت مجموع وزنی تخمین می زند. پیامدهای این انتخاب در نظر گرفته شده و با تکنیک های ساختار کوواریانس مانند LISREL، COSAN و EQS مقایسه می شود. ویژگی‌های موارد خاص PLS (رگرسیون، امتیازهای عامل، معادلات ساختاری، مؤلفه‌های اصلی، همبستگی متعارف، مؤلفه‌های سلسله مراتبی، تحلیل مطابقت، مسیر سه حالته و تجزیه و تحلیل مؤلفه) گام به گام بررسی می‌شوند و به درک PLS عمومی کمک می‌کنند. تکنیک. اثبات همگرایی الگوریتم PLS فراتر از مدل‌های دو بلوکی است. به حدود 10 برنامه کامپیوتری و 100 برنامه کاربردی PLS اشاره شده است. این کتاب زیربنای آماری را برای برنامه های کامپیوتری PLS 1.8، که در حدود 100 مرکز کامپیوتر دانشگاهی در حال استفاده است، و برای PLS/PC ارائه می دهد. در نظر گرفته شده است که مرجع پس زمینه کاربران PLS 1.8 باشد، نه به عنوان کتاب درسی یا کتابچه راهنمای برنامه.

Partial Least Squares (PLS) is an estimation method and an algorithm for latent variable path (LVP) models. PLS is a component technique and estimates the latent variables as weighted aggregates. The implications of this choice are considered and compared to covariance structure techniques like LISREL, COSAN and EQS. The properties of special cases of PLS (regression, factor scores, structural equations, principal components, canonical correlation, hierarchical components, correspondence analysis, three-mode path and component analysis) are examined step by step and contribute to the understanding of the general PLS technique. The proof of the convergence of the PLS algorithm is extended beyond two-block models. Some 10 computer programs and 100 applications of PLS are referenced. The book gives the statistical underpinning for the computer programs PLS 1.8, which is in use in some 100 university computer centers, and for PLS/PC. It is intended to be the background reference for the users of PLS 1.8, not as textbook or program manual.