是的，有可能。你感兴趣的是被称为“多元多元回归”或只是“多元回归”。我不知道您使用的是什么软件，但是您可以在 R 中执行此操作。

这是一个提供示例的链接。

@Brett 的回答很好。

如果您有兴趣描述您的两块结构，您也可以使用PLS 回归。基本上，它是一个回归框架，它依赖于构建属于每个块的变量的连续（正交）线性组合的想法，以使它们的协方差最大。这里我们认为一个块包含解释变量，而另一个块响应变量，如下所示：$X$$Y$

我们寻找“潜在变量”，它们解释了包含在块中的最大信息（以线性方式），同时允许以最小的误差和是与每个维度相关的载荷（即线性组合）。优化标准读取$X$$Y$$u_j$$v_j$

$$\max_{\mid u_h\mid =1,\mid v_h\mid =1}\text{cov}(X_{h-1}u_h,Yv_h)\quad \big(\equiv \max\text{cov}(\xi_h,\omega_h)\big)$$

其中回归后的压缩（即残差）块。$X_{h-1}$$X$$h^\text{th}$

第一个维度（和）上的因子得分之间的相关性反映了 -链接的大小。$\xi_1$$\omega_1$$X$$Y$

多元回归在 SPSS 中使用 GLM-multivariate 选项完成。

将所有结果 (DV) 放入结果框中，但将所有连续预测变量放入协变量框中。您不需要任何因素框中的内容。查看多变量测试。单变量测试将与单独的多元回归相同。

正如其他人所说，您也可以将其指定为结构方程模型，但测试是相同的。

（有趣的是，好吧，我认为这很有趣，在这方面有一点英国和美国的差异。在英国，多元回归通常不被认为是一种多元技术，因此多元回归只有在你有多个结果/DV时才是多元的。 )

为此，我首先将回归变量转换为 PCA 计算变量，然后我将使用 PCA 计算变量进行回归。当然，当我有一个要分类的新实例时，我会存储特征向量以便能够计算相应的 pca 值。