Partial Least Squares (PLS-Regression)
Die Partial-Least-Squares-Regression (PLS) ist ein statistisches Werkzeug, mit dem der Zusammenhang zwischen mehreren Prädiktoren und einer oder mehreren Zielgrößen modelliert wird, insbesondere wenn die Prädiktoren stark miteinander korreliert sind (Multikollinearität) oder die Anzahl der Prädiktoren im Verhältnis zur Anzahl der Beobachtungen groß ist. Sie verdichtet die Prädiktoren zu einer kleineren Menge zugrunde liegender Komponenten, die sowohl die Prädiktoren als auch die Zielgröße bestmöglich erklären.
Zuletzt geprüft
Kernaussage
Die Partial-Least-Squares-Regression (PLS) ist ein statistisches Werkzeug zur Modellierung des Zusammenhangs zwischen mehreren Prädiktoren und einer oder mehreren Zielgrößen, besonders bei stark korrelierten Prädiktoren.
Auf dieser Seite
Was ist Partial Least Squares?
Die Partial-Least-Squares-Regression (PLS) ist ein statistisches Werkzeug, mit dem der Zusammenhang zwischen mehreren Prädiktoren und einer oder mehreren Zielgrößen modelliert wird, insbesondere wenn die Prädiktoren stark miteinander korreliert sind (Multikollinearität) oder die Anzahl der Prädiktoren im Verhältnis zur Anzahl der Beobachtungen groß ist. Sie verdichtet die Prädiktoren zu einer kleineren Menge zugrunde liegender Komponenten, die sowohl die Prädiktoren als auch die Zielgröße bestmöglich erklären.
Wann wird Partial Least Squares eingesetzt?
Prädiktoren
- Am besten geeignet, wenn Sie viele Prädiktoren haben, die stark miteinander korreliert sind
- Die Prädiktoren müssen stetig sein
- Gibt es nur wenige und nicht stark korrelierte Prädiktoren, verwenden Sie Fit Regression Model als Alternative
- Gibt es nur einen Prädiktor, verwenden Sie Fit Line Model als Alternative
Zielgröße
- Kann eine oder mehrere stetige Zielgrößen gleichzeitig verarbeiten
- Ist die Zielgröße kategorial → verwenden Sie das passende logistische Regressions modell
Hinweise zur richtigen Anwendung von Partial Least Squares
- Verwenden Sie PLS, wenn die Prädiktoren stark korreliert (multikollinear) sind oder die Anzahl der Prädiktoren im Vergleich zum Stichprobenumfang groß ist; die herkömmliche Regression wird unter diesen Bedingungen instabil.
- Alle Prädiktoren und Zielgrößen müssen stetigsein; kategoriale Variablen sind für dieses Verfahren nicht geeignet.
- Stellen Sie sicher, dass die Daten die Zielgrundgesamtheit zutreffend abbilden; schlechte Datenqualität führt zu unzuverlässigen Komponenten und Vorhersagen.
- Erfassen Sie ausreichend Beobachtungen — bei weit weniger Beobachtungen als Prädiktoren versagt die herkömmliche Regression; dies ist eines der wichtigsten Szenarien, in denen PLS besonders wertvoll ist.
- Wählen Sie die passende Anzahl von Komponenten sorgfältig — zu wenige Komponenten übersehen wichtige Streuung, zu viele führen zu einer Überanpassung. Nutzen Sie Kreuzvalidierung als Entscheidungshilfe.
- Messen Sie alle Variablen so genau wie möglich; PLS ist bei einer hohen Anzahl von Komponenten empfindlich gegenüber Rauschen.
- Validieren Sie das Modell nach der Anpassung mit dem prognostizierten R-Quadrat und Kennzahlen der Kreuzvalidierung , um zu bestätigen, dass das Modell über die Trainingsdaten hinaus gut verallgemeinert.
Alternativen: Wann Sie Partial Least Squares nicht verwenden sollten
- Gibt es nur wenige und nicht stark korrelierte Prädiktoren, verwenden Sie stattdessen Fit Regression Model für einfachere und besser interpretierbare Ergebnisse.
- Haben Sie nur einen stetigen Prädiktor, verwenden Sie stattdessen Fit Line Model .
- Ist die Zielgröße kategorial mit zwei Kategorien, verwenden Sie stattdessen die binäre logistische Regression .
- Hat die Zielgröße drei oder mehr geordnete Kategorien, verwenden Sie stattdessen die ordinale logistische Regression .
- Hat die Zielgröße drei oder mehr ungeordnete Kategorien, verwenden Sie stattdessen die nominale logistische Regression .
- Ist das Ziel, die Gleichwertigkeit von Messungen zweier Verfahren zu prüfen, verwenden Sie stattdessen die orthogonale Regression .
Beispiel für Partial Least Squares
Ein Weinerzeuger möchte verstehen, wie die chemische Zusammensetzung seines Pinot Noir dessen sensorische Bewertung beeinflusst. Der Datensatz umfasst 37 Pinot-Noir-Proben, die jeweils durch die Konzentrationen von 17 Elementen (Cd, Mo, Mn, Ni, Cu, Al, Ba, Cr, Sr, Pb, B, Mg, Si, Na, Ca, P, K) und eine von einer Jury vergebene Aromabewertung beschrieben werden. Ziel ist ein Vorhersagemodell für die Aromabewertung auf Basis der Elementkonzentrationen. Zusätzlich möchte der Erzeuger alle Elementkonzentrationen als Prädiktoren aufnehmen, zusammen mit allen Zweifach-Wechselwirkungen mit Cadmium (Cd). Da der Stichprobenumfang im Vergleich zur Anzahl der Prädiktoren relativ klein ist, wird die Partial-Least-Squares-Regression (PLS) als Modellierungsansatz gewählt. Zur Auswertung werden folgende Schritte durchgeführt:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Partial Least Square finden Sie unter Statistical module> Regression>Partial Least Square.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:



Anleitung: Partial Least Squares durchführen
So gehen Sie vor:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool>Regression >Partial Least Square .
- Klicken Sie auf Partial Least Square, um zum Dashboard zu gelangen.
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
- Füllen Sie die erforderlichen Optionen auf der linken Seite aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard von Partial Least Square ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen zahlreiche Optionen zur Verfügung:
- Response: Die Ergebnisvariable bzw. -variablen, die Sie vorhersagen möchten, müssen stetigsein. PLS kann als Besonderheit mehrere Zielgrößen gleichzeitig verarbeiten und ist daher nützlich, wenn mehrere Ausgangsgrößen gemeinsam mit denselben Prädiktoren modelliert werden sollen.
- Model: Legt fest, welche Prädiktoren und Wechselwirkungsterme in die Analyse einbezogen werden. Standardmäßig wird ein Modell der Haupteffekte mit allen ausgewählten Prädiktoren erstellt. Sie können Wechselwirkungsterme (z. B. A*B) hinzufügen, wenn angenommen wird, dass zwei Prädiktoren die Zielgröße gemeinsam beeinflussen. Ein angemessen einfaches Modell vermeidet eine Überanpassung, besonders bei vielen Prädiktoren.
- Confidence Interval: Ein Bereich, in dem der wahre Wert einer vorhergesagten Zielgröße oder eines Koeffizienten wahrscheinlich liegt. Der Standard ist 95%; das bedeutet, Sie sind zu 95% sicher, dass der wahre Wert im angezeigten Bereich liegt. Dieser Standard wird verwendet, weil er dem in den meisten Branchen und Forschungsgebieten allgemein anerkannten Maßstab für statistische Verlässlichkeit entspricht.
- Maximum Number of Components (Optional): Legt fest, wie viele PLS-Komponenten das Modell aus den Prädiktoren extrahiert. Jede Komponente erfasst einen Teil der Streuung sowohl der Prädiktoren als auch der Zielgröße. Ein zu niedriger Wert übersieht wichtige Muster, ein zu hoher Wert birgt die Gefahr einer Überanpassung. Bleibt das Feld leer, bestimmt die Analyse die optimale Anzahl automatisch per Kreuzvalidierung.
- Title: Eine benutzerdefinierte Bezeichnung für die Ausgabe der Analyse. Das ist nützlich, wenn Sie mehrere Analysen mit demselben Datensatz durchführen, damit sich die verschiedenen Modellläufe in Ihren Ergebnissen klar unterscheiden lassen.
- Show X Scores: Zeigt ein Diagramm der Komponentenwerte (Scores) der Prädiktoren. So lassen sich Muster, Gruppierungen oder Ausreißer in den Prädiktordaten nach der Extraktion der PLS-Komponenten visuell erkennen — nützlich, um die Struktur Ihrer Eingangsvariablen zu verstehen.
- Show Y Scores: Zeigt ein Diagramm der Komponentenwerte (Scores) der Zielgrößen. So können Sie beurteilen, wie gut die PLS-Komponenten die Streuung der Zielgröße erfassen und ob auf der Ausgangsseite des Modells ungewöhnliche Beobachtungen oder Gruppierungen vorliegen.
Häufig gestellte Fragen
Was ist die Partial-Least-Squares-Regression?
Die Partial-Least-Squares-Regression (PLS) modelliert den Zusammenhang zwischen mehreren stetigen Prädiktoren und einer oder mehreren stetigen Zielgrößen. Sie ist für Fälle gedacht, in denen die Prädiktoren stark korreliert sind oder es im Verhältnis zu den Beobachtungen viele Prädiktoren gibt, und verdichtet die Prädiktoren zu einer kleineren Menge von Komponenten, die sowohl die Prädiktoren als auch die Zielgröße bestmöglich erklären.
Wann sollte man PLS statt einer gewöhnlichen multiplen Regression verwenden?
Verwenden Sie PLS, wenn die Prädiktoren stark korreliert (multikollinear) sind oder die Anzahl der Prädiktoren im Vergleich zum Stichprobenumfang groß ist, da die herkömmliche Regression unter diesen Bedingungen instabil wird. Gibt es nur wenige und nicht stark korrelierte Prädiktoren, liefert Fit Regression Model einfachere, besser interpretierbare Ergebnisse, und bei nur einem stetigen Prädiktor ist Fit Line Model die bessere Wahl.
Wie viele Komponenten sollte ein PLS-Modell verwenden?
Zu wenige PLS-Komponenten übersehen wichtige Streuung, zu viele führen zu einer Überanpassung; die Wahl sollte sich daher auf Kreuzvalidierung stützen. Bleibt die maximale Anzahl der Komponenten leer, bestimmt die Analyse die optimale Anzahl automatisch per Kreuzvalidierung. Prüfen Sie nach der Anpassung das prognostizierte R-Quadrat und die Kennzahlen der Kreuzvalidierung, um zu bestätigen, dass das Modell über die Trainingsdaten hinaus verallgemeinert.
Kann Partial Least Squares kategoriale Variablen verwenden?
Nein. Alle Prädiktoren und Zielgrößen in PLS müssen stetig sein. Ist die Zielgröße kategorial, verwenden Sie stattdessen ein logistisches Modell: die binäre logistische Regression bei zwei Kategorien, die ordinale logistische Regression bei drei oder mehr geordneten Kategorien und die nominale logistische Regression bei drei oder mehr ungeordneten Kategorien.
