آشنایی با موضوع

حداقل مربعات جزئی (به انگلیسی: Partial Least Square ) به عنوان یک جایگزین برای روش های OLS رگرسیون، Canonical رگرسیون و مدل سازی معادلات ساختاری (SEM) در پژوهش هایی که متغیرهای مستقل و وابسته وجود دارد، بکار گرفته می شود. روش PLS در اغلب اوقات، معادلات ساختاری مبتنی بر مولفه (Component-Based SEM) نامیده می شود در حالی که روش معادلات ساختاری مبتنی بر کواریانس است(Covariance-Based SEM). در واقع، حداقل مربعات جزئی از فرآیند پیچیده تر و دو مرحله ای برای برآورد و تعیین وزن ها استفاده میکند. علاوه بر این، با استفاده از روش اطلاعات محدود در حداقل مربعات جزئی، هیچ فرضیه ای برای جامعه و یا مقیاس اندازهگیری وجود ندارد. بدون اینکه فرض هایی مانند فرضهای توزیع، و یا مقیاسهای اسمی، ترتیبی، و فاصلهای برای متغیرها، وجود داشته باشند، نتایج کار قابل استفاده میباشد. البته باید این نکته را نیز در ذهن داشت که حداقل مربعات جزئی هم همانند تمامی تکنیکهای آماری، نیازمند فرضهای خاصی است. مهمترین فرضیه، تشخیص "پیش بینی کننده" است. این الزام عنوان میکند که باید بخش سیستماتیک رگرسیون خطی را از روی انتظارات موقعیتی از متغیر وابسته تعریف کرد تا بتوان بر اساس رگرسیون نتیجه گیری کرد. با این حال، مشکل ثبات و پایداری در مقیاس بزرگ همچنان وجود دارد. بنابراین چنانچه مدل شما دارای شرایط ذیل می باشد، استفاده از روش PLS برای تحلیل مدل مورد نظر پیشنهاد می شود: روش PLS (حداقل مربعات جزئی) شامل مجموعه ای از رگرسیون های متوالی OLS می باشد و ضرورتی در نرمال بودن توزیع مشاهدات وجود ندارد. استفاده از روش OLS نشان از سازگاری روش حداقل مربعات جزئی با نمونه های کوچک دارد. درحالیکه در روش CBSEM مبتنی بر ML یا GLS حداقل ۲۰۰ نمونه مورد نیاز است. با توجه به اینکه در PLS فرض بر این است که تمام بلوک ها ترکیباتی خطی از معرف هایشان هستند، مشکلات شایعی همچون راه حل های ناسره و مشخص نبودن عوامل که برخی مواقع در تکنیک های CBSEM روی می دهد، بروز نمی کند. این روش زمانی استفاده می شود که می خواهیم تاثیرات چندین متغیر مستقل را بر یک یا چند متغیر وابسته بررسی کنیم اما پیش فرض های انجام رگرسیون یا معادلات ساختاری بر قرار نیست و یا اینکه در پژوهش به مشکلات زیر مواجه شویم: چندین متغیر وابسته داشته باشیم. تعداد متغیرهای مستقل زیاد باشد و شناسایی متغیرهای تاثیر گذار مشکل باشد. در متغیرهای مستقل هم خطی وجود داشته باشد(Multicollinearity) حجم نمونه کم باشد. در رگرسیون توزیع فروانی متغیرها نرمال نباشد و یا در روش معادلات ساختاری نرمال بودن چند متغیره برقرار نباشد.
در این صفحه تعداد 1033 مقاله تخصصی درباره حداقل مربعات جزئی که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI حداقل مربعات جزئی (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: حداقل مربعات جزئی ; Partial least squares; Radial basis function neural networks; Multivariate imaging analysis-quantitative structure activity relationship; Cyclin dependent kinase 4 inhibitors
دانلود رایگان متن کامل مقاله ISI 11 صفحه سال انتشار : 2010 سفارش ترجمه
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: حداقل مربعات جزئی ; Quantitative structure–activity relationship; Multivariate linear regression; Partial least squares; General regression neural networks; Least squares support vector machine; CCR2 inhibitors
دانلود رایگان متن کامل مقاله ISI 13 صفحه سال انتشار : 2010 سفارش ترجمه
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: حداقل مربعات جزئی ; Fourier transform infrared spectroscopy; Glycerol monolaurate; Partial least squares; Wavelet transform; Uninformative information elimination; Simulated annealing; Nondestructive measurement
دانلود رایگان متن کامل مقاله ISI 7 صفحه سال انتشار : 2009 سفارش ترجمه