PLS regression on a stochastic process

Computational Statistics and Data Analysis

Volumn 48, Issue 1, 2005, Pages 149-158

  Preda, C ^a   Saporta, G ^b  

^a Faculté de Médecine Pôle Recherché   (France)

^b Bioinformatique et Chimie Moléculaire   (France)

Author keywords

Escoufier's operator; PLS regression; Principal component analysis; Stochastic process

Indexed keywords

ALGORITHMS; DATA REDUCTION; MATHEMATICAL OPERATORS; PRINCIPAL COMPONENT ANALYSIS; PROBABILITY; RANDOM PROCESSES; REGRESSION ANALYSIS; VECTORS;

ESCOUFIER'S OPERATORS; PARTIAL LEAST SQUARES (PLS); PPLS REGRESSION;

LEAST SQUARES APPROXIMATIONS;

EID: 10144244015     PISSN: 01679473     EISSN: None     Source Type: Journal    
DOI: 10.1016/j.csda.2003.10.003     Document Type: Article

References (17)

1. Aguilera, A.M., Ocaña, F., Valderama, M.J., 1998. An approximated principal component prediction model for continous-time stochastic process. Appl. Stochastic Models Data Anal. 13, 61-72.
2. Cazes, P., 1997. Adaptation de la regression PLS au cas de la régression après Analyse des Correspondences Multiples. Rev. Statist. Appl. XLIV (4), 35-60.
3. Deville, J.C., 1974. Methods statistiques et numériques de l'analyse harmonique. Ann. I'INSEE 15, 3-101.
4. Deville, J.C., 1978. Analyse et prévision des séries chronologiques multiples non stationnaires. Statist. Anal. Données 3, 19-29.
5. Eldén, L., 2003. Partial least-squares vs. Lanczos bidiagonalization I: analysis of a projection method for multiple regression. Comput. Statist. Data Anal., in press.
6. Escoufier, Y., 1970. Echantillonnage dans une population de variables aléatoires réelles. Publications de l'Institut de Statistique de l'Université de Paris, Vol. 19(4) pp. 1-47.
7. Green, P.J., Silverman, B.W., 1994. Nonparametric regression and generalized linear models. A Roughness Penalty Approach, Monographs on Statistic and Applied Probability, No. 58. Chapman & Hall, London.
8. Nguyen, D.V., Rocke, D.M., 2003. On partial least squares dimension reduction for microarray-based classification: a simulation study. Comput. Statist. Data Anal., in press.
9. Palm, R., Iemma, A.F., 1995. Quelques alternatives à la régression classique dans le cas de colinéarité. Rev. Statist. Appl. XLIII (2), 5-33.
10. Preda, C., 1999. Analyse factorielle d'un processus: problèmes d'approximation et de régression. Thèse de Doctorat, No. 2648. Université de Lille 1, France.
11. Ramsay, J.O., Dalzell, C.J., 1991. Some tools for functional data analysis. J. Roy. Statist. Soc. (B) 53 (3), 539-572.
12. Ramsay, J.O., Silverman, B.W., 1997. Functional Data Analysis, Springer Series in Statistics, Springer, New York.
13. Saporta, G., 1981. Methods exploratoires d'analyse de données temporelles. Cahiers du B.U.R.O., No. 37-38 Université Pierre et Marie Curie, Paris.
14. Tenenhaus, M., 1998. La régression PLS. Théorie et Pratique. Editions Technip, Paris.
15. Tenenhaus, M., Gauchi, J.P., Menardo, C., 1995. Régression PLS et applications. Rev. Statist. Appl. XLIII (1), 7-63.
16. Wold, S., Ruhe, A., Dunn III, W.J., 1984. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses. SIAM J. Sci. Stat. Comput. 5 (3), 735-743.
17. Umetri, A.B., 1996. SIMCA-P for Windows, Graphical Software for Multivariate Process Modeling. Umea, Sweden.