Abstract | Keywords | Fulltext | Export | TOC

The methods of the Principal Components and Partial Least Squares can be regard very important methods in the regression analysis, where they are used to convert a set of highly correlated variables to a set of new independent variables, known components and those components are be linear and orthogonal independent from each other , the methods are used to reduce dimensions in regression analysis In this paper , we use Partial Least Squares method with Non -linear Iterative partial least squares NIPALS(PLS1) algorithm and the principal components method with Singular Value Decomposition(SVD )algorithm , the simulation experiments are conduct to compare between their methods assuming that the error is normally distributed , several combination are supposed in simulation for both sample size, number of observation, dimension, and we find that the partial least squares method is better than the Principal Components method in two case, number of observation is greater than the number of variables(n>p) and the number of variables is greater than the number of observation (p>n).

تعد طريقة المركبات الرئيسة والمربعات الصغرى الجزئية من الطرائق المهمة في تحليل الانحدار حيث ان الاثنان تستعملان لتحويل مجموعه من المتغيرات ذات الارتباط العالي الى مجموعة من المتغيرات المستقلة الجديدة تعرف بالمركبات وتكون هذه المركبات خطية متعامدة مستقلة بعضها عن البعض الاخر باستعمال تحويلات خطية ويستعمل الاثنان ايضا في تخفيض الابعاد . تم في هذا البحث استعمال طريقة المربعات الصغرى الجزئية باستعمال خوارزمية التكرار غير الخطي للمربعات الصغرى الجزئية Non-linear Iterative partial least squares NIPALS(PLS1) وطريقة انحدار المركبات الرئيسية بخوارزمية تجزئة القيم المفردة ((SVD) Singular value decomposition ).اذ تم اجراء المقارنة للطريقتين المذكورتين آنفا من خلال تجارب المحاكاة عندما يتوزع الخطأ توزيعا طبيعيا لحجوم عينات وابعاد متغيرات مختلفة ، واتضح من خلال المقارنة ان طريقة المربعات الصغرى الجزئية افضل من طريقة المركبات الرئيسية في حالة كون عدد المشاهدات اكبر من عدد المتغيرات وكذلك في حالة كون عدد المتغيرات اكبر من عدد المشاهدات. .

Partial Least Squares Regression --- PLSR --- Principal Components Regression --- PCR --- latent variables --- Dimension Reduction --- Multicollinearity --- انحدار المربعات الصغرى الجزئية- انحدار المركبات الرئيسية -المتغيرات الكامنة - تقليص الابعاد - التعدد الخطي .