partiels
La procédure de régression des moindres carrés partiels estime les modèles de régression des moindres carrés partiels (également connus sous le nom de « projection to latent structure », PLS).
La technique de prévision PLS constitue une solution de remplacement par rapport à la régression par les moindres carrés classiques, à la corrélation canonique ou à la modélisation d’équation structurelle, particulièrement utile lorsque les variables prédites présentent une forte corrélation ou lorsque le nombre de variables prédites dépasse le nombre d’observations.
PLS combine des fonctionnalités d’analyse des composants principaux et la régression multiple. Un ensemble de facteurs latents expliquant autant que possible la covariance entre les variables indépendantes et dépendantes est extrait. Ensuite, une étape de régression prévoit les valeurs des variables dépendantes à l’aide de la décomposition des variables indépendantes.
Disponibilité. PLS est une commande d’extension qui requiert l’installation du IBM® SPSS®
Statistics - Integration Plug-In for Python sur le système où vous prévoyez d’exécuter PLS.
Le module d’extension PLS doit être installé séparément, et peut être téléchargé depuis http://www.spss.com/devcentral.
Remarque: Le module d’extension PLS dépend du logiciel Python. SPSS Inc. n’est ni le propriétaire ni le concédant de licence du logiciel Python. L’utilisateur de Python doit accepter les termes de l’accord de licence Pythonfigurant sur le site Web de Python. SPSS Inc. ne fait aucune déclaration concernant la qualité du programme Python. SPSS Inc. ne peut en aucun cas être tenu pour responsable des conséquences liées à votre utilisation du programme Python.
Tableaux.Proportion de variance expliquée (par facteur latent), pondérations de facteurs latents, corrélations de facteurs latents, importance de la variable indépendante dans la projection (VIP), et estimations des paramètres de régression (par variable dépendante) sont tous générés par défaut.
Diagrammes : Importance de la variable dans la projection (VIP), facteurs, pondération des trois premiers facteurs latents et distance au modèle sont tous générés depuis l’ongletOptions.
Niveau de mesure. Les variables dépendantes et indépendantes (prédites) peuvent être échelle, nominal ou ordinal. La procédure considère que le niveau de mesure approprié a été assigné à toutes les variables, bien que vous puissiez changer provisoirement le niveau de mesure d’une variable en cliquant avec le bouton droit de la souris sur la variable dans la liste des variables source, puis en sélectionnant un niveau de mesure dans le menu contextuel. Les variables qualitatives (nominales ou ordinales) sont traitées de manière équivalente par la procédure.
Codage des variables indicatrices. La procédure recode provisoirement les variables dépendantes qualitatives via le codage un-de-cpendant la durée de la procédure. S’il existe des modalitésc d’une variable, cette dernière est stockée comme vecteursc, la première modalité étant identifiée
© Copyright SPSS Inc. 1989, 2010 124
125 Régression des moindres carrés partiels par (1,0,...,0), la suivante par (0,1,0,...,0), ... et la dernière par (0,0,...,0,1). Les variables
dépendantes qualitatives sont représentées à l’aide du codage de façonfictive, c’est-à-dire, elles omettent simplement l’indicateur correspondant à la modalité de référence.
Pondérations d’effectif. Les valeurs de pondération sont arrondies au nombre entier le plus près avant utilisation. Les observations avec des pondérations manquantes ou des pondérations inférieures à 0,5, ne sont pas utilisées dans les analyses.
Valeurs manquantes : Les valeurs manquantes spécifiées par l’utilisateur et par le système sont traitées comme non valides.
Rééchelonnement.Tous les variables de modèle sont centrées et standardisées, dont les variables d’indicateur représentant les variables qualitatives.
Pour obtenir la régression des moindres carrés partiels A partir des menus, sélectionnez :
Analyse > Régression > Moindres carrés partiels...
Figure 19-1
Régression des moindres carrés partiels - Onglet Variables
E Sélectionnez au moins une variable dépendante.
126 Chapitre 19
E Sélectionnez au moins une variable indépendante.
Sinon, vous pouvez :
Indiquez une modalité de référence pour les variables qualitatives dépendantes (nominale ou ordinale).
Indiquez une variable à utiliser comme identificateur unique pour les ensembles de données enregistrés et les résultats par observation.
Indiquez une limite supérieure sur le nombre de facteurs latents à extraire.
Modèle
Figure 19-2
Régression des moindres carrés partiels, onglet Modèle
Spécifier les effets du modèle.Un modèle comportant des effets principaux contient tous les effets principaux de covariable et de facteur. SélectionnezPersonnalisépour préciser les interactions.
Vous devez indiquer tous les termes à inclure dans le modèle.
Critères et covariables :§FMLes facteurs et les covariables sont répertoriés.
Modèle :Le modèle dépend de la nature de vos données. Après avoir sélectionnéAutre, vous pouvez choisir les effets principaux et les interactions qui présentent un intérêt pour votre analyse.
127 Régression des moindres carrés partiels
Termes construits
Pour les facteurs et covariables sélectionnés :
Interaction :Crée le terme d’interaction du plus haut niveau de toutes les variables sélectionnées. Il s’agit de la valeur par défaut.
Effets principaux :Crée un terme d’effet principal pour chaque variable sélectionnée.
Toutes d’ordre 2 :Crée toutes les interactions d’ordre 2 possibles des variables sélectionnées.
Toutes d’ordre 3 :Crée toutes les interactions d’ordre 3 possibles des variables sélectionnées.
Toutes d’ordre 4 :Crée toutes les interactions d’ordre 4 possibles des variables sélectionnées.
Toutes d’ordre 5 :Crée toutes les interactions d’ordre 5 possibles des variables sélectionnées.
Options
Figure 19-3
Régression des moindres carrés partiels, onglet Options
L’onglet Options permet d’enregistrer et de tracer des estimations de modèles pour des observations individuelles, des facteurs latents, et des variables prédites.
128 Chapitre 19
Pour chaque type de données, indiquez le nom d’un ensemble de données. Les noms d’ensemble de données doivent être uniques. Si vous spécifiez le nom d’un ensemble de données existant, son contenu est remplacé ; sinon, un ensemble de données est créé.
Enregistrez les estimations concernant les observations individuelles.Enregistre les estimations de modèle par observation : les prévisions, les résidus, la distance au modèle de facteur latent, et les facteurs latents. Elle permet également de tracer les facteurs latents.
Enregistrez les estimations concernant les facteurs latents. Enregistre les corrélations de facteurs latents et les pondérations de facteurs latents. Elle permet également de tracer les pondérations de facteurs latents.
Enregistrez les estimations concernant les variables indépendantesEnregistre les estimations des paramètres de régression et l’importance des variables dans la projection (VIP). Elle permet également de tracer l’importance des variables dans la projection par facteur latent.