clear;
%多重相关性诊断
load('data.mat'); %预先编写数据文件data.mat,并保存到当前工作路径下
cr=corrcoef(data) %计算变量之间的相关系数
%建立偏最小二乘回归模型
%(1)提取所有可能的主成分
X=data(:,1:5);
Y=data(:,6:8);
E0=stand(X)
F0=stand(Y)
A=rank(E0)
[W,C,T,U,P,R]=plspcr(E0,F0)%提取所有可能的主成分

%（2）主成分解释能力分析
%计算主成分累计复测定系数
RA=plsra(T,R,F0,A)
%计算主成分的信息解释能力
[Rdx,RdX,RdXt,Rdy,RdY,RdYt]=plsrd(E0,F0,T,A)

%（3）考查第一主成分间的相关性
%绘制t1/u1图直观的考查第一主成分间的相关性
cr=plsutcor(U,T)

%（4）求PLS回归方程的系数
%先求标准化因变量关于主成分t1的经验回归系数
TCOEFF=R(:,1)%这组系数存于plspcr函数的最后一个输出变量R中
%再求标准化因变量关于标准化自变量的经验回归系数
SCOEFF=pls(1,5,W,P,R)%1表示用于建模的主成分个数，5表示自变量个数
%最后求原始因变量关于原始自变量的经验回归系数
[COEFF,INTERCEP]=plsiscoeff(X,Y,SCOEFF)%对标准化的回归系数进行逆标准化处理，输出原始自变量对因变量的回归系数及常数项

%（5）变量投影重要性分析与模型的改进
VIP=plsvip(W,RdY,RdYt,1)%得出值表示第j个自变量对因变量的解释能力，若较小，则删除该自变量重新建模