Un critère de covariance multiple permettant l'extension de la régression PLS à plusieurs groupes prédicteurs

Nous cherchons a explorer un modele structurel: plusieurs groupes de variables decrivant les memes unites sont supposes structures autour de dimensions latentes liees entre elles par un modele lineaire. Ce type de modele est classiquement traite par des methodes supposant unique la dimension structurant chaque groupe. Mais souvent, les modeles conceptuels articulent entre eux des concepts multidimensionnels. Nous proposons une methode: SEER (Structural Equation Exploratory Regression) qui permet d'explorer la structure des groupes a la recherche de toutes les dimensions utiles au modele. Fondee sur la maximisation d'un critere de covariance multiple, SEER etend a la fois la Regression PLS et PLS Path Modeling. Une application comparee a des donnees physico-chimiques a montre un net avantage de SEER tant sur le plan explicatif que predictif.