Il metodo dei minimi quadrati (in inglese OLS: Ordinary Least Squares) è una tecnica di ottimizzazione (o regressione) che permette di trovare una funzione, rappresentata da una curva ottima (o curva di regressione), che si avvicini il più possibile ad un insieme di dati (tipicamente punti del piano). In particolare, la funzione trovata deve essere quella che minimizza la somma dei quadrati delle distanze tra i dati osservati e quelli della curva che rappresenta la funzione stessa. In questo caso, possiamo distinguere parabola dei minimi quadrati e retta dei minimi quadrati. Questo metodo converge solo nel suo caso limite a un'interpolazione, per cui di fatto si richiede che la curva ottima contenga tutti i punti dati.
L'utilizzo più frequente è la deduzione dell'andamento medio in base ai dati sperimentali per l'estrapolazione fuori dal campo di misurazione. Anche altri problemi di ottimizzazione, come la minimizzazione dell'energia o la massimizzazione dell'entropia, possono essere riformulati in una ricerca dei minimi quadrati.
Gli stimatori OLS sono:
Le ipotesi OLS sono:
Le ipotesi OLS sono:
Da notare che l'ipotesi di media condizionale dell'errore nulla implica che:
Siano con i punti che rappresentano i dati in ingresso. Si vuole trovare una funzione tale che approssimi la successione di punti dati. Questa può essere determinata minimizzando la distanza (euclidea) tra le due successioni e , ossia la quantità :
da cui il nome "minimi quadrati".
Nei casi pratici in genere è parametrica: in questo modo il problema si riduce a determinare i parametri che minimizzano la distanza dei punti dalla curva. Naturalmente per ottenere un'unica curva ottimizzata e non un fascio, è necessario un numero di punti sperimentali maggiore del numero di parametri da cui dipende la curva (il problema in genere si dice sovradeterminato). In genere dai dati sperimentali ottenuti ci si aspetta una distribuzione regolata da relazioni determinate per via analitica; risulta utile quindi parametrizzare la curva teorica e determinare i parametri in modo da minimizzare .

Sia una funzione lineare rispetto ai parametri
dove sono i parametri, e è il numero di punti noti.
Si può riorganizzare la situazione attraverso il sistema lineare sovradimensionato
dove:
Da cui:
Il problema di minimizzare si riconduce dunque a minimizzare la norma del residuo
dove con si intende l'-esima componente del vettore prodotto fra e .
Possiamo minimizzare derivando rispetto a ciascun e ponendo le derivate uguali a 0:
Queste equazioni sono equivalenti al sistema:
Quindi il vettore che minimizza è la soluzione dell'equazione:
Quest'ultima equazione è detta equazione normale. Se il rango di è massimo, allora è invertibile e dunque:
La matrice è detta pseudo-inversa.
In molti casi la funzione non è lineare, in questi casi non si può indicare un modo certo per ottenere i parametri. Nel tipico caso in cui la dimensione dello spazio dei parametri sia maggiore di 1, il problema diventa fortemente non lineare conviene ricorrere all'uso di programmi di analisi numerica specifici che minimizzi la variabile .
Una delle librerie più famose per questo compito è MINUIT, inizialmente sviluppata al CERN in Fortran ed ora integrata nel più recente framework di analisi dati ROOT. Si segnalano per questo compito anche altre librerie come le Gnu Scientific Library.
Questo metodo si utilizza quando quello dei minimi quadrati ordinari fallisce, perché la stima ottenuta è correlata all'errore. In questo caso si opera una regressione della variabile che si vuole stimare su una variabile strumentale che sia correlata alla variabile dipendente stessa, ma non al termine di errore. Ottenuta questa stima, la si utilizza per effettuare una nuova regressione che non dovrebbe dare problemi. Il problema più grosso è trovare una variabile strumentale con le caratteristiche adeguate.
È tipicamente utilizzato con le variabili strumentali.
Le assunzioni TSLS sono: