| dc.contributor | regresión PLS | es-ES |
| dc.contributor | análisis de Componentes Principales | es-ES |
| dc.contributor | regresión múltiple | es-ES |
| dc.contributor | multicolinealidad. | es-ES |
| dc.creator | Legato, Ana Maria; Facultad De Ciencias Económicas - UNICEN – CEA. | |
| dc.creator | Alonso, Aldo Hernan; Facultad De Ciencias Económicas - UNLP – UNICEN. | |
| dc.date | 2013-03-02 | |
| dc.date.accessioned | 2022-11-04T12:35:58Z | |
| dc.date.available | 2022-11-04T12:35:58Z | |
| dc.identifier | https://revistas.unne.edu.ar/index.php/rfce/article/view/1102 | |
| dc.identifier | 10.30972/rfce.0101102 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/5115164 | |
| dc.description | La regresión PLS (Partial Least Squares) es un método estadístico multivariante recientemente generalizado. Combina y generaliza conceptos de análisis de Componentes Principales y de análisis de Regresión Lineal Múltiple y resulta particularmente útil cuando se desea predecir un conjunto de variables dependientes (Y) desde un conjunto (relativamente grande y posiblemente correlacionadas) de variables predictoras (X). También resuelve con propiedad el problema de multicolinealidad, que generalmente se supera eliminando las variables que la causan o transformándolas, solución aplicable si la permanencia del set de variables X no es requerida, o sea cuando necesidades de explicación y predicción no inhiban tal procedimiento. Es apto asimismo cuando el problema requiere considerar relaciones múltiples y cruzadas, y que todas ellas se den simultáneamente o cuando existen variables que no se puedan medir directamente (no observables) no obstante ser necesarias para desarrollar la teoría. El presente trabajo considera específicamente esta metodología, la describe e interpreta en su concepción y hace explícito su potencial aporte a través de su aplicación a dos casos simplificados1 que permiten comparar los resultados con los obtenidos mediante el empleo de otra técnica. | es-ES |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Facultad de Ciencias Económicas de la Universidad Nacional del Nordeste - UNNE | es-ES |
| dc.relation | https://revistas.unne.edu.ar/index.php/rfce/article/view/1102/900 | |
| dc.rights | Copyright (c) 2016 RFCE | es-ES |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0 | es-ES |
| dc.source | Revista de la Facultad de Ciencias Económicas; Núm. 10 (2013); 37-61 | es-ES |
| dc.source | 1668-6357 | |
| dc.source | 1668-6365 | |
| dc.subject | regresión PLS | 0 |
| dc.subject | análisis de componentes principales | 0 |
| dc.subject | regresión múltiple | 0 |
| dc.subject | multicolinealidad. | 0 |
| dc.title | Resultados óptimos demandan herramientas de mayor precisión: el aporte de Mínimos Cuadrados Parciales (PLS) | es-ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | | es-ES |
