首先明确：R的pls包没有内置支持多响应Y变量的置换检验函数，selectNcomp()的置换检验仅适配单响应场景，无法满足你对逐个成分显著性判断的需求。

你可以通过自定义代码手动实现多Y的PLS置换检验，核心逻辑是通过打乱Y的样本顺序生成零分布，对比原始模型的解释能力来计算显著性：

示例代码 #

假设你已有预测变量矩阵X和多响应矩阵Y：

library(pls)

# 拟合原始PLS模型（这里指定5个成分，可按需调整）
original_pls <- plsr(Y ~ X, ncomp = 5, validation = "none")
# 提取原始模型各成分对Y的累计解释方差
original_var <- cumsum(explvar(original_pls))

# 设置置换次数（建议至少1000次保证稳定性）
n_perm <- 1000
# 初始化矩阵存储置换后的累计解释方差
perm_var_mat <- matrix(NA, nrow = n_perm, ncol = ncomp(original_pls))

# 执行置换循环
set.seed(123) # 固定随机种子，结果可复现
for (i in 1:n_perm) {
  # 随机打乱Y的行顺序，破坏X与Y的真实关联
  permuted_Y <- Y[sample(nrow(Y)), ]
  # 拟合置换后的PLS模型
  perm_pls <- plsr(permuted_Y ~ X, ncomp = ncomp(original_pls), validation = "none")
  # 记录累计解释方差
  perm_var_mat[i, ] <- cumsum(explvar(perm_pls))
}

# 计算每个成分的p值：原始值大于置换分布中值的比例
p_vals <- apply(perm_var_mat, 2, function(perm_vals) mean(original_var >= perm_vals))

# 输出结果
cat("各PLS成分的置换检验p值：\n")
print(p_vals)

结果说明 #

• 若某个成分的p值小于你的显著性阈值（如0.05），说明该成分（及之前的所有成分）对多响应变量的解释能力显著高于随机水平
• 你可以根据p值逐步筛选出具有统计显著性的PLS成分

内容的提问来源于stack exchange，提问作者Tamandani Mpho