偏最小二乘法(Partial Least Squares,简记为PLS)作为一种降维方法,随着大数据的发展得到了越来越广泛的应用。在高维问题中,噪声变量的存在会削弱模型的性能,由此发展出可以筛选重要变量的稀疏偏最小二乘方法(Sparse Partial Least Squares,简记为SPLS),来产生更具解释性的稀疏的估计结果。由于样本量过少的限制,单个数据集下的SPLS分析结果通常会有稳定性和复现性较差等缺点。一个有效的解决方案是利用多个具有相似实验设计的独立数据集之间的信息来提升估计效果。在多数据集分析方法中,整合分析方法可同时分析多个原始数据集,能够有效的利用数据集之间的相似信息,得到更稳定精确的分析结果。本文将基于稀疏偏最小二乘方法,将整合分析的思想应用到降维方法中,提出整合稀疏偏最小二乘方法(Integrative Sparse Partial Least Squares,简称iSPLS)。并利用惩罚函数的方法,同时实现多数据集的变量选择和参数估计。该方法中主要包含两类惩罚项:第一类复合惩罚项实现整合分析下的变量选择;第二类构造惩罚项用于鼓励数据集之间的相似性,进一步挖掘数据集之间的相似信息,改善估计结果。针对本文所提方法设计了有效的算法,并建立了估计量的渐进一致性理论性质。通过大量的模拟实验,将所提方法和其他多数据集分析方法进行对比,模拟结果证明了所提方法在多数据集分析中具有明显优势。最后,利用两个TCGA癌症基因数据集的分析,验证了所提方法在实际应用中的有效性。