Resultados óptimos demandan herramientas de mayor precisión: el aporte de Mínimos Cuadrados Parciales (PLS)

• Autores: Legato, Ana María; Alonso, Aldo Hernán
• Año de publicación: 2013
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Ciencias Económicas; Regresión PLS; Análisis de componentes principales; Regresión múltiple; Multicolinealidad
• Institución: Universidad Nacional de La Plata

La regresión PLS (Partial Least Squares) es un método estadístico multivariante recientemente generalizado. Combina y generaliza conceptos de análisis de Componentes Principales y de análisis de Regresión Lineal Múltiple y resulta particularmente útil cuando se desea predecir un conjunto de variables dependientes (Y) desde un conjunto (relativamente grande y posiblemente correlacionadas) de variables predictoras (X). También resuelve con propiedad el problema de multicolinealidad, que generalmente se supera eliminando las variables que la causan o transformándolas, solución aplicable si la permanencia del set de variables X no es requerida, o sea cuando necesidades de explicación y predicción no inhiban tal procedimiento. Es apto asimismo cuando el problema requiere considerar relaciones múltiples y cruzadas, y que todas ellas se den simultáneamente o cuando existen variables que no se puedan medir directamente (no observables) no obstante ser necesarias para desarrollar la teoría. El presente trabajo considera específicamente esta metodología, la describe e interpreta en su concepción y hace explícito su potencial aporte a través de su aplicación a dos casos simplificados que permiten comparar los resultados con los obtenidos mediante el empleo de otra técnica.
PLS regression (Partial Least Squares) is a multivariable statistical method that has been recently generalized. It combines and generalizes concepts of the analysis of Principal Components and the analysis of Multiple Linear Regression. It has proved to be particu-larly useful to predict a set of dependent variables (Y) from a quite big set of possibly correlated independent variables (X). It is also appropriate to solve the problem of mul-ticolinearity, a problem that is generally overcome by eliminating the variables that cause this phenomenon or even by transforming these variables, a solution that can be applied if the permanence of the X variables set is not required, that is to say, when the need of explanation and prediction does not inhibit such a procedure. It is also suitable when the problem requires to consider multiple and crossed relations, all of them occurring simul-taneously or, when there are variables that cannot be measured directly (not noticeable) even if they are necessary to develop the theory.
Facultad de Ciencias Económicas