Mínimos quadrados parciais (PLS)
A regressão por mínimos quadrados parciais (PLS) é uma ferramenta estatística usada para modelar a relação entre várias variáveis preditoras e uma ou mais variáveis de resposta, sobretudo quando os preditores são altamente correlacionados entre si (multicolinearidade) ou quando o número de preditores é grande em relação ao número de observações. Ela reduz os preditores a um conjunto menor de componentes subjacentes que melhor explicam tanto os preditores quanto a resposta.
Última revisão
Conclusão principal
A regressão por mínimos quadrados parciais (PLS) é uma ferramenta estatística usada para modelar a relação entre várias variáveis preditoras e uma ou mais variáveis de resposta, sobretudo quando os preditores são altamente correlacionados.
Nesta página
O que são os mínimos quadrados parciais (PLS)?
A regressão por mínimos quadrados parciais (PLS) é uma ferramenta estatística usada para modelar a relação entre várias variáveis preditoras e uma ou mais variáveis de resposta sobretudo quando os preditores são altamente correlacionados entre si (multicolinearidade) ou quando o número de preditores é grande em relação ao número de observações. Ela reduz os preditores a um conjunto menor de componentes subjacentes que melhor explicam tanto os preditores quanto a resposta.
Quando usar os mínimos quadrados parciais?
Variáveis preditoras
- Mais indicada quando você tem muitos preditores altamente correlacionados entre si
- Os preditores devem ser contínuos
- Se os preditores forem poucos e não muito correlacionados, use ajustar modelo de regressão em vez dela
- Se houver apenas um preditor, use gráfico de linha ajustada em vez dela
Variável de resposta
- Pode tratar uma ou mais variáveis de resposta contínuas simultaneamente
- Se a resposta for categórica → use o modelo de regressão logística adequado
Diretrizes para o uso correto dos mínimos quadrados parciais
- Use a PLS quando os preditores forem altamente correlacionados (multicolineares) ou quando o número de preditores for grande em comparação com o tamanho amostral; a regressão padrão se torna instável nessas condições.
- Todos os preditores e variáveis de resposta devem ser contínuos; variáveis categóricas não são adequadas para este método.
- Garanta que os dados representem com exatidão a população-alvo; dados de baixa qualidade produzirão componentes e previsões pouco confiáveis.
- Colete observações suficientes — ter muito menos observações do que preditores faz a regressão padrão falhar, que é um dos principais cenários em que a PLS é mais valiosa.
- Selecione com cuidado o número adequado de componentes — componentes de menos deixam escapar variação importante, enquanto componentes demais superajustam os dados. Use a validação cruzada para orientar essa decisão.
- Meça todas as variáveis com a maior exatidão possível; a PLS é sensível a ruído quando o número de componentes é alto.
- Depois do ajuste, valide o modelo usando o R² previsto e estatísticas de validação cruzada para confirmar que o modelo generaliza bem além dos dados de treinamento.
Alternativas: quando não usar os mínimos quadrados parciais
- Se os preditores forem poucos e não muito correlacionados, use ajustar modelo de regressão em vez dela, para resultados mais simples e interpretáveis.
- Se você tiver apenas um preditor contínuo, use gráfico de linha ajustada em vez dela.
- Se a resposta for categórica com duas categorias, use regressão logística binária em vez dela.
- Se a resposta tiver três ou mais categorias ordenadas, use regressão logística ordinal em vez dela.
- Se a resposta tiver três ou mais categorias não ordenadas, use regressão logística nominal em vez dela.
- Se o objetivo for testar a equivalência de medição entre dois métodos, use regressão ortogonal em vez dela.
Exemplo de mínimos quadrados parciais
Um produtor de vinho deseja entender como a composição química de seu vinho Pinot Noir influencia sua avaliação sensorial. O conjunto de dados reúne 37 amostras de Pinot Noir, cada uma caracterizada pelas concentrações de 17 elementos (Cd, Mo, Mn, Ni, Cu, Al, Ba, Cr, Sr, Pb, B, Mg, Si, Na, Ca, P, K) e por uma nota de aroma atribuída por um painel de jurados. O objetivo é desenvolver um modelo preditivo da nota de aroma a partir das concentrações dos elementos. Além disso, o produtor quer incluir todas as concentrações dos elementos como preditores, junto com todas as interações de dois fatores que envolvem o cádmio (Cd). Dado o tamanho amostral relativamente pequeno em comparação com o número de preditores, a regressão por mínimos quadrados parciais (PLS) é escolhida como abordagem de modelagem. Para avaliar isso, realiza as seguintes etapas:
- Reunir os dados necessários.

- Agora, analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
- Para encontrar Partial Least Square, escolha Statistical module> Regression>Partial Least Square.
- Dentro da ferramenta, insira os dados junto com as outras entradas, como segue:

5. Depois de usar a ferramenta acima, obtenha a saída, como segue:



Como fazer os mínimos quadrados parciais
O guia é o seguinte:
- Faça login no Zometric Statistical Software em https://statsai.zometric.com/
- Na página inicial, escolha Statistical Tool>Regression >Partial Least Square .
- Clique em Partial Least Square para acessar o painel (dashboard).
- Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui.
- Preencha as opções necessárias indicadas no lado esquerdo.
- Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.
No painel (dashboard) dos mínimos quadrados parciais, a janela é dividida em duas partes.

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.
Load example: Os dados de exemplo serão carregados.
Load File: É usado para carregar diretamente os dados do Excel.
Na parte direita, há várias opções, descritas a seguir:
- Response: A variável ou variáveis de resultado que você deseja prever devem ser contínuas. A PLS é única por poder tratar várias variáveis de resposta ao mesmo tempo, o que é útil quando várias saídas precisam ser modeladas em conjunto com o mesmo conjunto de preditores.
- Model: Define quais preditores e termos de interação são incluídos na análise. Por padrão, é construído um modelo de efeitos principais com todos os preditores selecionados. Você pode acrescentar termos de interação (ex.: A*B) se houver indícios de que dois preditores influenciam conjuntamente a resposta. Manter o modelo adequadamente simples evita o superajuste, especialmente quando o número de preditores é grande.
- Confidence Interval: Uma faixa dentro da qual o valor verdadeiro de uma resposta prevista ou de um coeficiente provavelmente se encontra. O padrão é 95%, o que significa que você tem 95% de confiança de que o valor verdadeiro está dentro da faixa exibida. Esse padrão é usado porque atende ao padrão amplamente aceito de confiabilidade estatística na maioria dos setores e campos de pesquisa.
- Maximum Number of Components (Optional): Controla quantos componentes PLS o modelo extrai dos preditores. Cada componente captura uma parte da variação tanto dos preditores quanto da resposta. Definir um valor muito baixo deixa escapar padrões importantes; defini-lo muito alto arrisca superajustar os dados. Se for deixado em branco, a análise determina automaticamente o número ideal usando validação cruzada.
- Title: Um rótulo personalizado que você pode atribuir à saída da análise. É útil ao executar várias análises no mesmo conjunto de dados, permitindo distinguir claramente as diferentes execuções do modelo nos resultados.
- Show X Scores: Exibe um gráfico dos escores dos componentes das variáveis preditoras. Isso ajuda a identificar visualmente padrões, agrupamentos ou outliers nos dados dos preditores depois que os componentes PLS são extraídos — útil para entender a estrutura das variáveis de entrada.
- Show Y Scores: Exibe um gráfico dos escores dos componentes das variáveis de resposta. Isso ajuda a avaliar quão bem os componentes PLS capturam a variação da resposta e se há observações ou agrupamentos incomuns do lado da saída do modelo.
Perguntas frequentes
O que é a regressão por mínimos quadrados parciais?
A regressão por mínimos quadrados parciais (PLS) modela a relação entre várias variáveis preditoras contínuas e uma ou mais variáveis de resposta contínuas. Ela foi concebida para casos em que os preditores são altamente correlacionados ou em que há muitos preditores em relação às observações, e reduz os preditores a um conjunto menor de componentes que melhor explicam tanto os preditores quanto a resposta.
Quando usar a PLS em vez da regressão múltipla comum?
Use a PLS quando os preditores forem altamente correlacionados (multicolineares) ou quando o número de preditores for grande em comparação com o tamanho amostral, pois a regressão padrão se torna instável nessas condições. Se os preditores forem poucos e não muito correlacionados, ajustar modelo de regressão dá resultados mais simples e interpretáveis, e com apenas um preditor contínuo o gráfico de linha ajustada é a melhor escolha.
Quantos componentes um modelo PLS deve usar?
Componentes de menos deixam escapar variação importante, enquanto componentes demais superajustam os dados; por isso, a validação cruzada deve orientar a escolha. Se o número máximo de componentes for deixado em branco, a análise determina automaticamente o número ideal usando validação cruzada. Depois do ajuste, verifique o R² previsto e as estatísticas de validação cruzada para confirmar que o modelo generaliza além dos dados de treinamento.
Os mínimos quadrados parciais podem usar variáveis categóricas?
Não. Todos os preditores e variáveis de resposta na PLS devem ser contínuos. Se a resposta for categórica, use um modelo logístico: regressão logística binária para duas categorias, regressão logística ordinal para três ou mais categorias ordenadas e regressão logística nominal para três ou mais categorias não ordenadas.
