Regression Beta PLS

View Researcher's Other Codes

Disclaimer: The provided code links for this paper are external links. Science Nest has no responsibility for the accuracy, legality or content of these links. Also, by downloading this code(s), you agree to comply with the terms of use as set out by the author(s) of the code(s).

Authors Frédéric Bertrand, Nicolas Meyer, Michèle Beau-Faller, Karim El Bayed
Journal/Conference Name CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS
Paper Category
Paper Abstract De nombreuses variables d'interet, comme par exemple des resultats experimentaux, des rendements ou des indicateurs economiques, s'expriment naturellement sous la forme de taux, de proportions ou d'indices dont les valeurs sont necessairement comprises entre zero et un ou plus generalement deux valeurs fixes connues a l'avance. La regression Beta permet de modeliser ces donnees avec beaucoup de souplesse puisque les fonctions de densite des lois Beta peuvent prendre des formes tres variees. Toutefois, comme tous les modeles de regression usuels, elle ne peut s'appliquer directement lorsque les predicteurs presentent des problemes de multicolinearite ou pire lorsqu'ils sont plus nombreux que les observations. Ces situations se rencontrent frequemment de la chimie a la medecine en passant par l'economie ou le marketing. Pour circonvenir cette difficulte, nous formulons une extension de la regression PLS pour les modeles de regression Beta. Celle-ci, ainsi que plusieurs outils comme la validation croisee et des techniques bootstrap, est disponible pour le langage \R dans la bibliotheque plsRbeta.
Date of publication 2001
Code Programming Language R
Comment

Copyright Researcher 2022