二階最小平方迴歸
標準的線性迴歸模型會假設應變數的錯誤和自變數沒有關係。 若不是這種情況（例如，當變數之間的關係是朝兩個方向作用的），使用一般的最小平方法 (OLS) 的線性迴歸將不再提供最佳模式預估。 二階最小平方迴歸使用和誤差項無關的工具變數來計算有問題的預測數的估計值（第一階段），然後使用這些計算後的值來預估應變數的線性迴歸模型（第二階段）。 因為計算後的值是根據和誤差無關的變數，所以二階模型的結果會是最佳的。
範例。 商品需求性與其價格和消費者的收入有關嗎？ 此模式中的難題在於價格和需求會彼此互相影響。 也就是價格會影響需求，而需求也會影響價格。 二階最小平方迴歸模型可能會使用消費者的收入和落差的價格來計算和需求的測量誤差無關的價格取代值。 這個取代值是替代之後會被測量、且為最初指定模式中的價格。
統計資料。 對於每一個模型：標準和非標準的迴歸係數、多重R、R 2、調整的 R 2、預估的標準誤、變數分析表、預測值、以及殘差。 同時還有每一個迴歸係數 95% 的信賴區間，以及參數預估的相關和共變異數矩陣。
二階最小平方迴歸資料考量
資料。 應變數和自變數應該都是數值變數。 例如宗教、主修課程、或居住地區等類別變數，都必須重新編碼成二元（虛擬）變數，或是其他類型的對比變數。 內生說明變數應該是可量化的（不是可分類的）。
假設。 對自變數的每個值而言，應變數的分佈必須是常態的。 對所有自變數數值而言，應變數分佈的變異性，應該都是常數。 應變數和每一個自變數的關係應該是線性的。
相關程序。 如果您相信您的預測變數沒有一個與應變數的錯誤有關，那麼您就可以使用線性迴歸程序。 假如資料跟假設之一（例如常態性或常數變異數）是矛盾的話，請試著轉換資料。 如果您的資料並不是呈線性相關，而且轉換無效的話，請使用「曲線估計」程序中的其他模式。 如果你的應變數可以分成兩個，例如是否某一特定的銷售已完成，則可以使用邏輯迴歸程序。 如果您的資料並不是獨立的（例如，您是在數種不同情況下，觀察同一個人），請使用「重複測量」程序。
取得二階最小平方迴歸分析
此功能需要 自訂表格及進階統計量。
- 從功能表中選擇：
- 選取一個應變數。
- 選取一個或多個說明（預測值）變數。
- 選取一個或多個工具變數。
- 工具。 在二階最小平方分析的第一階段中，這些變數會用於計算內生變數的預測值。 在「說明」與「工具」清單框中可能會顯示相同的變數。 工具變數個數至少必須等於說明變數個數。 如果列出的所有說明變數與工具變數皆相同，則其結果與「線性迴歸」程序結果相同。
未指定為工具變數的說明變數將視為內生變數。 一般說來，「說明」清單中的所有 Exogenous 變數也都指定為工具變數。
此程序會貼上 2SLS 指令語法。