Generalisert Procrustes Analyse (GPA) er en metode for å finne et optimalt gruppegjennomsnitt, - en "konsensus-løsning" - fra roterte versjoner av individuelle datamatriser fra f.eks. ulike personer. Partial Least Squares Regression (PLSR) er en metode for å finne korrespondansen mellom f.eks. dette gruppegjennomsnitt og eksterne data.
Sammenkoplingen av disse to metodene har til hensikt å gi et optimalt gruppe-gjennomsnitt (f.eks. sensorisk panelgjennomsnitt), som balanserer :
1) minimering av konsensus-feilen, d.v.s. feilen mellom gruppegjennomsnittet og de individuelle inngangsmatrisene (f.eks. individuelle sensoriske dommeres beskrivelse av et felles sett av prøver)
opp imot
2) maksimering av korrespondansen mellom dette gruppegjennomsnittet og eksterne tilleggsdata ( f.eks. kjemiske eller fysiske målinger på de samme prøvene).
Det er flere mulige måter å kombinere GPA og PLSR - en av disse fokuseres på her. Det utviklede Matlab programmet anvendes på et sett melkeprøver bedømt ved KVL i København av en gruppe sensoriske dommere med hensyn til et sett deskriptorer (de individuelle datamatrisene), samtidig med at deres "gjennomsnitt" relateres til ekstern informasjon om hvordan melkeprøvene var produsert.
Resultatet viser at ved å kombinere disse to kriteriene - det "humanistiske" kriteriet (konsensus mellom mennsker) og det "naturvitenskaplige" (korrespondanse mellom menneskers vurdering og kjemi/fysikk/design-data) ble konklusjonene stabilisert mot støy i dataene.
