Comment sont gérer les données manquantes dans une régression PLS ?

Les données manquantes sont présentes dans beaucoup de domaines de recherche. Plusieurs méthodes ont été développées pour les traiter. La méthode d'imputation est le processus qui permet de gérer les données manquantes avant d'estimer les paramètres d'un modèle. La régression PLS est un modèle qui va permettre de les gérer. C'est une méthode qui est basée sur deux algorithmes (SIMPLS ou NIPALS) qui peuvent être utilisés pour fournir les estimations des paramètres des modèles. La régression PLS est très efficace pour analyser les relations de cause à effet entre les variables réponses et les composantes. L'algorithme NIPALS fournit des estimations sur de données incomplètes sans imputation. Notre objectif est étudier l’influence de la proportion de données manquantes sur l’estimation du nombre de composantes dans une régression PLS pour une hypothèse MCAR.