The Korean Journal of Applied Statistics (응용통계연구)

The Korean Statistical Society (한국통계학회)
권호 표지
DOI QR코드

DOI QR Code

Visualizing (X,Y) Data by Partial Least Squares Method

PLS 기법에 의한 (X,Y) 자료의 시각화

  • Huh, Myung-Hoe (Department of Statistics, Korea University) ;
  • Lee, Yong-Goo (Department of Statistics, Chung-Ang University) ;
  • Yi, Seong-Keun (Department of Business Administration, Sungshin Women's Univeristy)
  • 허명회 (고려대학교 정경대학 통계학과) ;
  • 이용구 (중앙대학교 통계학과) ;
  • 이성근 (성신여자대학교 경영학과)
  • Published : 2007.07.31
Download PDF
⟨ Previous Next ⟩

Abstract

PLS methods are suited for regressing q-variate Y variables on p-variate X variables even in the presence of multicollinearity problem among X variables. Consequently, they are useful for analyzing datasets with smaller number of observations compared to the number of variables, such as NIR(near-infrared) spectroscopy data in chemometrics. In this study, we propose two visualizing methods of p-variate X variables and q-variate Y variable that can be used in connection with PLS analysis.

PLS 회귀는 q-변량의 Y 변수에 대한 회귀에서 p-변량의 X 변수가 다중공선성의 문제를 갖는 경우에도 적용 가능한 방법이다. 특히 X 변수의 수 p가 관측개체 수 n보다 큰 경우에 적용 가능하여 계량화학(chemometrics) 분야에서 근적외선 분광기(near-infrared spectroscopy) 자료에 대한 표준적 분석 방법으로 활용되고 있다. 이 연구에서 우리는 PLS회귀의 방법론을 정리하고 이를 활용한 p개의 X 변수들과 q개의 Y 변수들의 동시 시각화를 위한 두 가지의 수량화 방법을 제안한다.

Keywords

References

  1. 김종덕 (2004). 고유벡터 기저를 이용한 회귀방법의 비교, <한국자료분석학회지>, 6, 205-218
  2. 박성현, 최엄문, 박창순 (1999). 편최소제곱 반응표면함수를 이용한 공정 최적화에 관한 연구, <품질경영학회지>, 27, 237-250
  3. 전치혁, 이혜선, 이대원, 장창환 (2006). X-선 회절 데이터에 PLS 기법을 이용한 철광석의 환원율 예측, <한국통계학회 2006년 춘계학술발표회 논문집>, 30
  4. 최용석 (2006). <행렬도 분석>, 부산대학교 기초과학연구원
  5. 허명회 (1999). <다변량 수량화>, 자유아카데미
  6. Barker, M. and Rayens, W. (2003). Partial least squares for discrimination, Journal of Chemometrics, 17, 166-173 https://doi.org/10.1002/cem.785
  7. Helland, I. (2006). Partial least squares regression, The Encyclopedia of Statistical Sciences, 2nd ed., (edited by Kotz), 5957-5962
  8. Kim, J. D. (2001). A general weighting scheme of partial least squares regression, Journal of the Korean Data Analysis Society, 3, 11-21
  9. Kim, J. D. (2003a). Alternative expressions of regression vector for principal component regression and partial least squares regression, Journal of the Korean Data Analysis Society, 5, 17-26
  10. Kim, J. D. (2003b). Projection matrices for partial least squares regression and principal component regression, Journal of the Korean Data Analysis Society, 5, 787-800
  11. Kim, J. D. (2003c). Unified non-iterative algorithm for principal component regression, partialleast squares and ordinary least squares, Journal of Korean Data and Information Science Society, 14, 355-366
  12. Park, M. and Huh, M. H. (1996a). Canonical correlation biplot, The Korean Communications in Statistics, 3, 11-19
  13. Park, M. and Huh, M. H. (1996b). Quantification plots for several sets of variables, Journal of the Korean Statistical Society, 25, 589-601
  14. Rosipal, R. and Kramer, N. (2006). Overview and recent advances in partial least squares, Lecture Notes in Computer Science, 3940, 34-51, Springer-Verlag
  15. Wegelin, J. A. (2000). A survey of partial least squares (PLS) methods, with emphasis on the two-block case, Technical report, 371, The University of Washington, Department of Statistics

Cited by

  1. Generalization of Quantification for PLS Correlation vol.25, pp.1, 2012, https://doi.org/10.5351/KJAS.2012.25.1.225