112 年 國立成功大學經濟研究所《統計學》

核心觀念

本題考查：

• 虛擬變數迴歸模型與分組平均數的關係。
• 迴歸係數的假設檢定。
• 二次迴歸模型的邊際效果與轉折點。
• Delta-method 近似非線性估計量的變異數。
• 差異中的差異概念與巢狀模型的 $F$ 檢定。

---

1. 證明 $\hat{\beta}_2=S_U-S_N$

模型為

$$S_i=\beta_1+\beta_2U_i+e_i,$$

其中：

• $U_i=1$：市中心店家；
• $U_i=0$：其他地區店家。

令市中心店家數為 $n_U$，其他地區店家數為 $n_N$，且 $n_U+n_N=55$。

最小平方法的殘差平方和為

$$SSR=\sum_{i=1}^{55}(S_i-\beta_1-\beta_2U_i)^2.$$

由於 $U_i$ 只有 $0$ 與 $1$ 兩種情況：

• 當 $U_i=0$ 時，預測值為 $\beta_1$；
• 當 $U_i=1$ 時，預測值為 $\beta_1+\beta_2$。

因此，最小平方法會使兩組的預測值分別等於兩組樣本平均數。

對 $\beta_1$ 與 $\beta_2$ 微分並令其為零：

$$\frac{\partial SSR}{\partial \beta_1} =-2\sum_{i=1}^{55}(S_i-\beta_1-\beta_2U_i)=0,$$ $$\frac{\partial SSR}{\partial \beta_2} =-2\sum_{i=1}^{55}U_i(S_i-\beta_1-\beta_2U_i)=0.$$

第二條正常方程式只包含 $U_i=1$ 的觀察值，因此：

$$\sum_{i:U_i=1}(S_i-\beta_1-\beta_2)=0.$$

所以

$$\hat{\beta}_1+\hat{\beta}_2 =\frac{1}{n_U}\sum_{i:U_i=1}S_i =S_U.$$

而第一條正常方程式配合上式，可得 $U_i=0$ 群組的預測值為其平均數：

$$\hat{\beta}_1 =\frac{1}{n_N}\sum_{i:U_i=0}S_i =S_N.$$

因此，

$$\boxed{\hat{\beta}_2 =(\hat{\beta}_1+\hat{\beta}_2)-\hat{\beta}_1 =S_U-S_N.}$$

也就是說，虛擬變數 $U_i$ 的迴歸係數，正好代表市中心店與其他地區店的平均銷售額差異。

---

2. 假設檢定

核心觀念

$\beta_2$ 衡量「位於市中心」對平均銷售額的影響，因此檢定 $\beta_2$ 是否為零，即可判斷兩類店家的平均銷售額是否不同。

假設

若奇老大想檢定銷售額是否因地點而有差異，應採雙尾檢定：

$$H_0:\beta_2=0,$$ $$H_1:\beta_2\neq 0.$$

因為：

• $\beta_2=0$ 表示市中心與其他地區的平均銷售額相同；
• $\beta_2\neq0$ 表示兩者平均銷售額不同。

由第 1 題：

$$\hat{\beta}_2=S_U-S_N.$$

若誤差項條件常態，或樣本數足夠大，則使用

$$t=\frac{\hat{\beta}_2-0}{SE(\hat{\beta}_2)}$$

進行 $t$ 檢定，自由度為

$$55-2=53.$$

在顯著水準 $\alpha$ 下，若

$$|t|>t_{\alpha/2,53},$$

則拒絕 $H_0$，認為店家所在地會造成平均銷售額差異。

等價地，也可以建立信賴區間：

$$\hat{\beta}_2\pm t_{\alpha/2,53}SE(\hat{\beta}_2).$$

若信賴區間不包含 $0$，即拒絕 $H_0$。

---

3. 廣告支出的邊際效果

模型為

$$S_i=\gamma_1+\gamma_2U_i+\gamma_3P_i+\gamma_4A_i+\gamma_5A_i^2+e_i.$$

將條件平均銷售額對廣告支出 $A_i$ 微分：

$$\frac{\partial E(S_i\mid U_i,P_i,A_i)}{\partial A_i} =\gamma_4+2\gamma_5A_i.$$

因此，廣告支出的邊際效果為

$$\boxed{\gamma_4+2\gamma_5A_i.}$$

若 $\gamma_5<0$，表示廣告支出的邊際效果會隨廣告支出增加而遞減。

---

4. 廣告邊際效果為零的轉折點與信賴區間

轉折點

廣告的邊際效果為零時：

$$\gamma_4+2\gamma_5A=0.$$

因此轉折點為

$$A^*=-\frac{\gamma_4}{2\gamma_5}.$$

使用估計值 $\hat{\gamma}_4=2$、$\hat{\gamma}_5=-0.25$：

$$\hat{A}^* =-\frac{2}{2(-0.25)} =4.$$

所以估計轉折點為：

$$\boxed{\hat{A}^*=4}$$

即廣告支出約為 $4$ 萬元。

由於 $\hat{\gamma}_5<0$，二次項係數為負，故此轉折點是銷售額的最大值點。

Delta-method

令

$$f(\gamma_4,\gamma_5) =-\frac{\gamma_4}{2\gamma_5}.$$

其偏微分為：

$$\frac{\partial f}{\partial \gamma_4} =-\frac{1}{2\gamma_5},$$ $$\frac{\partial f}{\partial \gamma_5} =\frac{\gamma_4}{2\gamma_5^2}.$$

代入 $\hat{\gamma}_4=2$、$\hat{\gamma}_5=-0.25$：

$$\frac{\partial f}{\partial \gamma_4} =-\frac{1}{2(-0.25)}=1,$$

這題主要考驗對迴歸分析中模型設定錯誤 (Misspecification) 所導致的估計式偏誤 (Bias)，以及工具變數法 (Instrumental Variables, IV) 的基本概念與應用，最後則涉及最小平方法 (OLS) 與兩階段最小平方法 (2SLS) 在預測值上的比較。

---

第二題詳解

核心觀念：

本題主要探討在多元迴歸模型中，當我們忽略了某些重要的解釋變數時，所使用的簡化模型估計式會產生偏誤。接著，引入工具變數法來處理內生性問題，並比較 OLS 與 2SLS 在預測上的差異。

---

1. (10分) 估計 $\beta_1$ 時，簡化模型對 $\alpha_1$ 估計式的偏誤

原模型為：
$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$
其中 $E(e|X_1) = 0$, $\text{Cov}(e, X_2) > 0$, $\text{Cov}(X_1, X_2) > 0$, $\beta_0 > 0$, $\beta_1 > 0$, $\beta_2 < 0$。

小傑考慮的模型為：
$Y = \alpha_0 + \alpha_1 X_1 + v$

我們想知道 $\hat{\alpha}_1$ 相對於 $\beta_1$ 的偏誤，即 $E(\hat{\alpha}_1) - \beta_1$。

首先，將原模型代入小傑的模型中：
$\beta_0 + \beta_1 X_1 + \beta_2 X_2 + e = \alpha_0 + \alpha_1 X_1 + v$

在小傑的模型中，最小平方法 (OLS) 對 $\alpha_1$ 的估計式為：
$\hat{\alpha}_1 = \frac{\text{Cov}(Y, X_1)}{\text{Var}(X_1)}$

將 $Y$ 代入：
$\hat{\alpha}_1 = \frac{\text{Cov}(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + e, X_1)}{\text{Var}(X_1)}$
$\hat{\alpha}_1 = \frac{\text{Cov}(\beta_0, X_1) + \text{Cov}(\beta_1 X_1, X_1) + \text{Cov}(\beta_2 X_2, X_1) + \text{Cov}(e, X_1)}{\text{Var}(X_1)}$
$\hat{\alpha}_1 = \frac{0 + \beta_1 \text{Var}(X_1) + \beta_2 \text{Cov}(X_2, X_1) + \text{Cov}(e, X_1)}{\text{Var}(X_1)}$
$\hat{\alpha}_1 = \beta_1 + \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)} + \frac{\text{Cov}(e, X_1)}{\text{Var}(X_1)}$

由於 $E(e|X_1) = 0$，這表示 $e$ 與 $X_1$ 的條件期望為零，但這並不保證 $e$ 與 $X_1$ 的無條件協方差為零。然而，在標準的 OLS 假設下，誤差項 $e$ 與所有解釋變數（在此為 $X_1$ 和 $X_2$）是獨立的，或者至少是條件期望為零且無條件協方差為零。如果我們假設 $E(e|X_1, X_2)=0$，則 $\text{Cov}(e, X_1) = 0$。
因此，我們有：
$\hat{\alpha}_1 = \beta_1 + \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$

我們要求的是 $\hat{\alpha}_1$ 估計式的偏誤，即 $E(\hat{\alpha}_1) - \beta_1$。
$E(\hat{\alpha}_1) = E\left(\beta_1 + \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)} + \frac{\text{Cov}(e, X_1)}{\text{Var}(X_1)}\right)$
假設 $X_1$ 和 $X_2$ 是固定的或外生變數，則 $\frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$ 是常數。
若 $E(e|X_1) = 0$ 且 $X_1$ 是外生變數，則 $E(\text{Cov}(e, X_1)) = E(E(e X_1) - E(e)E(X_1)) = E(E(e|X_1)X_1 - 0 \cdot E(X_1)) = E(0 \cdot X_1) = 0$。
所以，$E(\hat{\alpha}_1) = \beta_1 + \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$。

偏誤為：
$E(\hat{\alpha}_1) - \beta_1 = \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$

我們已知：
$\beta_2 < 0$
$\text{Cov}(X_1, X_2) > 0$
$\text{Var}(X_1) > 0$ (假設 $X_1$ 有變異數)

因此，偏誤的符號為：
$E(\hat{\alpha}_1) - \beta_1 = (\text{負數}) \times \frac{(\text{正數})}{(\text{正數})} = \text{負數}$

這個偏誤稱為遺漏變數偏誤 (Omitted Variable Bias, OVB)。當我們遺漏了與模型中的解釋變數 ($X_1$) 相關，且與應變數 ($Y$) 相關的變數 ($X_2$) 時，OLS 估計式就會產生偏誤。

理由說明：
在原模型中，$Y$ 對 $X_1$ 的影響是 $\beta_1$。然而，在小傑的模型中，$\alpha_1$ 估計的是 $Y$ 對 $X_1$ 的總影響，這包含了 $X_1$ 的直接影響，以及由於 $X_1$ 和 $X_2$ 的相關性，透過 $X_2$ 間接傳遞的影響。
具體來說，$\hat{\alpha}_1$ 估計的是 $Y$ 對 $X_1$ 的邊際影響，但由於 $X_2$ 被遺漏，且 $X_2$ 與 $X_1$ 正相關，而 $X_2$ 對 $Y$ 有負向影響 ($\beta_2 < 0$)，因此當 $X_1$ 增加時，會帶動 $X_2$ 增加，進而使 $Y$ 下降。這種由 $X_1$ 帶動 $X_2$ 再影響 $Y$ 的負向關聯，會被錯誤地歸因到 $X_1$ 對 $Y$ 的直接影響上，使得 $\hat{\alpha}_1$ 的估計值低於真實的 $\beta_1$。

數學推導：
令 $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$。
將 $X_2$ 表示為 $X_1$ 的線性迴歸加上誤差項：$X_2 = \delta_0 + \delta_1 X_1 + w$，其中 $E(w|X_1) = 0$ 且 $\delta_1 = \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$。
將此代入原模型：
$Y = \beta_0 + \beta_1 X_1 + \beta_2 (\delta_0 + \delta_1 X_1 + w) + e$
$Y = (\beta_0 + \beta_2 \delta_0) + (\beta_1 + \beta_2 \delta_1) X_1 + (\beta_2 w + e)$
令 $\alpha_0^* = \beta_0 + \beta_2 \delta_0$ 且 $\beta_1^* = \beta_1 + \beta_2 \delta_1$。
令 $v = \beta_2 w + e$。
則 $Y = \alpha_0^* + \beta_1^* X_1 + v$。
此時，若我們對此模型進行 OLS 估計，則 $\hat{\alpha}_1$ 的期望值為 $\beta_1^*$。
$E(\hat{\alpha}_1) = \beta_1^* = \beta_1 + \beta_2 \delta_1 = \beta_1 + \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$。
因此，偏誤為 $E(\hat{\alpha}_1) - \beta_1 = \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$。
根據題目給定的條件 $\beta_2 < 0$, $\text{Cov}(X_1, X_2) > 0$, $\text{Var}(X_1) > 0$，此偏誤為負值。

【答案】
$\hat{\alpha}_1$ 估計式的偏誤為 $E(\hat{\alpha}_1) - \beta_1 = \beta_2 \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$。
由於 $\beta_2 < 0$, $\text{Cov}(X_1, X_2) > 0$, $\text{Var}(X_1) > 0$，因此該偏誤為負值。

---

2. (8分) $X_1$ 作為 $X_2$ 的工具變數，是否有效？

小美考慮的模型為：
$Y = \gamma_0 + \gamma_1 X_2 + u$
她試圖以 $X_1$ 作為 $X_2$ 的工具變數 (IV) 來估計 $\beta_2$ (雖然模型寫的是 $\gamma_1$，但題目意圖是估計原模型的 $\beta_2$)。

一個變數 $X_1$ 被稱為 $X_2$ 的有效工具變數，必須滿足兩個條件：

1. 相關性 (Relevance)： 工具變數 $X_1$ 必須與內生變數 $X_2$ 相關。即 $\text{Cov}(X_1, X_2) \neq 0$。
2. 外生性 (Exogeneity)： 工具變數 $X_1$ 必須與誤差項 $e$ 無關。即 $\text{Cov}(X_1, e) = 0$。

我們來檢驗這兩個條件：

• 相關性：
  題目給定條件為 $\text{Cov}(X_1, X_2) > 0$。這表示 $X_1$ 與 $X_2$ 是相關的，因此第一個條件滿足。

• 外生性：
  原模型為 $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$。
  題目給定條件為 $E(e|X_1) = 0$。這意味著誤差項 $e$ 在給定 $X_1$ 的條件下期望值為零。這通常也意味著 $\text{Cov}(X_1, e) = 0$ (除非 $X_1$ 是常數，但我們通常假設解釋變數有變異數)。
  然而，我們需要檢驗的是 $X_1$ 是否與小美模型中的誤差項 $u$ 無關。
  小美的模型是 $Y = \gamma_0 + \gamma_1 X_2 + u$。
  將原模型代入：
  $\beta_0 + \beta_1 X_1 + \beta_2 X_2 + e = \gamma_0 + \gamma_1 X_2 + u$
  $u = (\beta_0 - \gamma_0) + \beta_1 X_1 + (\beta_2 - \gamma_1) X_2 + e$
  我們需要檢驗 $\text{Cov}(X_1, u) = 0$。
  $\text{Cov}(X_1, u) = \text{Cov}(X_1, (\beta_0 - \gamma_0) + \beta_1 X_1 + (\beta_2 - \gamma_1) X_2 + e)$
  $\text{Cov}(X_1, u) = \text{Cov}(X_1, \beta_0 - \gamma_0) + \text{Cov}(X_1, \beta_1 X_1) + \text{Cov}(X_1, (\beta_2 - \gamma_1) X_2) + \text{Cov}(X_1, e)$
  $\text{Cov}(X_1, u) = 0 + \beta_1 \text{Var}(X_1) + (\beta_2 - \gamma_1) \text{Cov}(X_1, X_2) + \text{Cov}(X_1, e)$

  根據題目給定的 $E(e|X_1) = 0$，我們有 $\text{Cov}(X_1, e) = 0$。
  所以，
  $\text{Cov}(X_1, u) = \beta_1 \text{Var}(X_1) + (\beta_2 - \gamma_1) \text{Cov}(X_1, X_2)$

  為了使 $X_1$ 成為有效的工具變數，我們需要 $\text{Cov}(X_1, u) = 0$。
  $\beta_1 \text{Var}(X_1) + (\beta_2 - \gamma_1) \text{Cov}(X_1, X_2) = 0$

  然而，我們並不知道 $\beta_1$, $\text{Var}(X_1)$, $\beta_2$, $\gamma_1$, $\text{Cov}(X_1, X_2)$ 的具體數值，只知道 $\beta_1 > 0$, $\text{Var}(X_1) > 0$, $\text{Cov}(X_1, X_2) > 0$, $\beta_2 < 0$。
  在兩階段最小平方法 (2SLS) 中，$\gamma_1$ 是通過第一階段迴歸 $X_2 = \pi_0 + \pi_1 X_1 + \eta$ 得到的 $\hat{\pi}_1 = \frac{\text{Cov}(X_1, X_2)}{\text{Var}(X_1)}$ 來估計的。
  在這種情況下，$\gamma_1$ 的估計值 $\hat{\gamma}_1$ 會使得 $\text{Cov}(X_1, u)$ 趨近於零。
  更精確地說，在 2SLS 中，$\gamma_1$ 的估計值是通過最小化 $\sum u_i^2 = \sum (Y_i - \gamma_0 - \gamma_1 X_{2,i})^2$ 得到的，其中 $X_{2,i}$ 是 $X_2$ 的預測值，即 $\hat{X}_{2,i} = \hat{\pi}_0 + \hat{\pi}_1 X_{1,i}$。
  當我們使用 $X_1$ 作為 $X_2$ 的工具變數時，實際上是進行 2SLS。第一階段是迴歸 $X_2$ 在 $X_1$ 上：$X_2 = \pi_0 + \pi_1 X_1 + \eta$。第二階段是迴歸 $Y$ 在 $\hat{X}_2$ 上：$Y = \gamma_0 + \gamma_1 \hat{X}_2 + u^*$。
  在這種情況下，誤差項 $u^*$ 在第二階段的迴歸中，與 $\hat{X}_2$ 是正交的，即 $\text{Cov}(\hat{X}_2, u^*) = 0$。
  而 $\hat{X}_2$ 是 $X_1$ 的線性組合，所以 $\text{Cov}(X_1, u^*) = 0$。
  因此，在 2SLS 的框架下，工具變數 $X_1$ 滿足外生性條件。

  結論：
  $X_1$ 是 $X_2$ 的有效工具變數，因為它滿足相關性條件 ($\text{Cov}(X_1, X_2) > 0$) 和外生性條件 ($\text{Cov}(X_1, e) = 0$，且在 2SLS 的框架下，它與第二階段的誤差項正交)。

數學說明：
一個變數 $Z$ 是內生變數 $X$ 的有效工具變數，需要滿足：

1. 相關性 (Relevance): $\text{Cov}(Z, X) \neq 0$。
2. 外生性 (Exogeneity): $\text{Cov}(Z, e) = 0$，其中 $e$ 是原始模型中的誤差項。

在我們的例子中，$Z = X_1$，$X = X_2$。

1. 相關性： 題目給定 $\text{Cov}(X_1, X_2) > 0$，因此 $X_1$ 與 $X_2$ 相關，相關性條件滿足。
2. 外生性： 題目給定 $E(e|X_1) = 0$。這意味著誤差項 $e$ 與 $X_1$ 無關，即 $\text{Cov}(X_1, e) = 0$。因此，外生性條件滿足。

由於 $X_1$ 同時滿足相關性與外生性條件，因此 $X_1$ 是 $X_2$ 的有效工具變數。

【答案】
$X_1$ 是 $X_2$ 的有效工具變數。
理由如下：

1. 相關性： 題目給定 $\text{Cov}(X_1, X_2) > 0$，表示 $X_1$ 與內生變數 $X_2$ 顯著相關。
2. 外生性： 題目給定 $E(e|X_1) = 0$，表示誤差項 $e$ 與工具變數 $X_1$ 無關，即 $\text{Cov}(X_1, e) = 0$。
   這兩個條件都滿足，因此 $X_1$ 是 $X_2$ 的有效工具變數。

---

3. (6分) $Y_{OLS}$ 與 $Y_{2SLS}$ 預測值關係

題目給定模型：$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$
小青找到另一個有效的工具變數 $Z$。
$Y_{OLS}$ 是對 $Y_i$ 的 OLS 預測值，即 $Y_{OLS,i} = \hat{\beta}_0 + \hat{\beta}_1 X_{1,i} + \hat{\beta}_2 X_{2,i}$。
$Y_{2SLS}$ 是對 $Y_i$ 的 2SLS 預測值。在有工具變數 $Z$ 的情況下，2SLS 的第一階段是將 $X_2$ 對 $X_1$ 和 $Z$ 進行迴歸：$X_2 = \pi_0 + \pi_1 X_1 + \pi_2 Z + \eta$。得到預測值 $\hat{X}_2$。
第二階段是將 $Y$ 對 $X_1$ 和 $\hat{X}_2$ 進行迴歸：$Y = \gamma_0 + \gamma_1 X_1 + \gamma_2 \hat{X}_2 + u^*$。
則 $Y_{2SLS,i} = \hat{\gamma}_0 + \hat{\gamma}_1 X_{1,i} + \hat{\gamma}_2 \hat{X}_{2,i}$。

我們要判斷的關係是：

$$\sum_{i=1}^n (Y_i - Y_{OLS,i})^2 \ge \sum_{i=1}^n (Y_i - Y_{2SLS,i})^2$$

理由說明：
這個關係是正確的。
最小平方法 (OLS) 的目標是最小化殘差平方和 (Sum of Squared Residuals, SSR)。
$\sum_{i=1}^n (Y_i - \hat{Y}_i)^2$

對於 OLS，$\hat{Y}_i$ 是 $Y_i$ 的預測值，是基於模型 $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$ 進行估計得到的。OLS 估計式在滿足高斯-馬可夫定理的條件下，是最佳線性不偏估計量 (BLUE)。然而，如果存在內生性問題（例如 $X_2$ 與 $e$ 相關），OLS 估計式是有偏的，並且其預測值可能不是最佳的。

對於 2SLS，它是一種處理內生性問題的方法。當存在內生性時，OLS 估計式是有偏的。2SLS 通過使用工具變數來構建一個新的解釋變數 $\hat{X}_2$（它是 $X_2$ 在工具變數上的迴歸預測值），該預測值與誤差項是正交的。然後，在第二階段將 $Y$ 對 $X_1$ 和 $\hat{X}_2$ 進行迴歸。
2SLS 的目的是得到一個無偏或至少是漸進無偏的係數估計量，儘管它可能不是最小變異數的。

關鍵在於，OLS 估計式是直接最小化原始模型中的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$。
而 2SLS 的估計過程，雖然最終目標是得到無偏的係數，但其預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
在 2SLS 中，第二階段的迴歸是 $Y = \gamma_0 + \gamma_1 X_1 + \gamma_2 \hat{X}_2 + u^*$。
根據 OLS 的性質，對於給定的解釋變數 ($X_1$ 和 $\hat{X}_2$)，OLS 會最小化殘差平方和 $\sum (Y_i - (\hat{\gamma}_0 + \hat{\gamma}_1 X_{1,i} + \hat{\gamma}_2 \hat{X}_{2,i}))^2$。
因此，$\sum_{i=1}^n (Y_i - Y_{2SLS,i})^2$ 是由 2SLS 的第二階段迴歸所最小化的殘差平方和。

問題在於，OLS 模型是 $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + e$，而 2SLS 模型是 $Y = \gamma_0 + \gamma_1 X_1 + \gamma_2 \hat{X}_2 + u^*$。
請注意，OLS 模型中的解釋變數是 $X_1$ 和 $X_2$，而 2SLS 模型中的解釋變數是 $X_1$ 和 $\hat{X}_2$。
由於 $\hat{X}_2$ 是 $X_2$ 在 $X_1$ 和 $Z$ 上的迴歸預測值，它實際上是 $X_1$ 和 $Z$ 的線性組合。
如果 $X_2$ 是外生變數，那麼 $X_2 = \hat{X}_2$ (在期望意義上，或者如果 $X_1, Z$ 完全解釋了 $X_2$)。
但如果 $X_2$ 是內生變數，那麼 $X_2 \neq \hat{X}_2$。

OLS 估計的是 $Y$ 對 $X_1$ 和 $X_2$ 的關係。
2SLS 估計的是 $Y$ 對 $X_1$ 和 $\hat{X}_2$ 的關係。

考慮到 OLS 的目標是最小化 $\sum (Y_i - Y_{OLS,i})^2$。
而 2SLS 的第二階段，也是一個 OLS 迴歸，它最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
然而，這兩個 OLS 迴歸的解釋變數集合是不同的。
OLS 的解釋變數是 $\{X_1, X_2\}$。
2SLS 的解釋變數是 $\{X_1, \hat{X}_2\}$。

由於 $\hat{X}_2$ 是 $X_1$ 和 $Z$ 的線性組合，它本身就包含了 $X_1$ 的信息。
在 2SLS 的第二階段，我們迴歸 $Y$ 在 $X_1$ 和 $\hat{X}_2$ 上。
如果 $X_1$ 和 $\hat{X}_2$ 是線性相關的，那麼迴歸結果可能會受到影響。
然而，通常情況下，工具變數 $Z$ 與 $X_1$ 是不相關的，所以 $\hat{X}_2$ 與 $X_1$ 之間可能存在相關性，但不是完全相關。

關鍵點：
OLS 估計式是基於原始的解釋變數 $X_1$ 和 $X_2$。
2SLS 估計式是基於 $X_1$ 和由工具變數預測出來的 $X_2$ (即 $\hat{X}_2$)。

如果 $X_2$ 是外生變數，那麼 OLS 是最佳的，$\text{Cov}(X_2, e) = 0$。此時，2SLS 的結果應該與 OLS 非常接近，甚至相同（如果 $Z$ 與 $X_1$ 無關）。
如果 $X_2$ 是內生變數，那麼 OLS 估計式是有偏的。2SLS 試圖通過使用工具變數來修正這種內生性。

數學證明：
令 $Y = X\beta + e$，其中 $X = [X_1, X_2]$。OLS 估計為 $\hat{\beta}_{OLS}$。
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2 = \sum (Y_i - X_i \hat{\beta}_{OLS})^2$。
令 $Y = X_1 \beta_1 + X_2 \beta_2 + e$。
2SLS 的第一階段：$X_2 = P_Z X_1 + \eta$，其中 $P_Z$ 是 $X_2$ 在 $X_1$ 和 $Z$ 上的迴歸投影矩陣。得到 $\hat{X}_2 = P_Z X_1$。
2SLS 的第二階段：$Y = X_1 \gamma_1 + \hat{X}_2 \gamma_2 + u^*$。2SLS 估計為 $\hat{\beta}_{2SLS}$。
2SLS 最小化 $\sum (Y_i - Y_{2SLS,i})^2 = \sum (Y_i - X_{1,i} \hat{\gamma}_1 - \hat{X}_{2,i} \hat{\gamma}_2)^2$。

由於 OLS 總是最小化其模型下的殘差平方和，而 2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的差異平方和。
關鍵在於，OLS 的預測值 $Y_{OLS,i}$ 是基於 $X_1$ 和 $X_2$ 的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的。

如果我們將 $Y_{OLS,i}$ 的形式寫出來：
$Y_{OLS,i} = \hat{\beta}_0 + \hat{\beta}_1 X_{1,i} + \hat{\beta}_2 X_{2,i}$
而 $Y_{2SLS,i}$ 的形式是：
$Y_{2SLS,i} = \hat{\gamma}_0 + \hat{\gamma}_1 X_{1,i} + \hat{\gamma}_2 \hat{X}_{2,i}$

由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它通常會比 $X_2$ 本身更「乾淨」（與誤差項的相關性更小）。
OLS 試圖直接擬合 $Y$ 與 $X_1, X_2$ 的關係。
2SLS 試圖擬合 $Y$ 與 $X_1, \hat{X}_2$ 的關係。

考慮到 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$。
OLS 的預測值 $Y_{OLS,i}$ 是基於 $X_1$ 和 $X_2$ 的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的。

如果 $X_2$ 是外生變數，那麼 OLS 是最佳的，$\hat{\beta}_2$ 是無偏的。此時，2SLS 的結果應該與 OLS 非常接近。
如果 $X_2$ 是內生變數，OLS 的估計是有偏的。2SLS 的目的是得到一個一致的估計量。

更直觀的解釋：
OLS 最小化的是原始模型中的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 $\hat{X}_2$ 是 $X_2$ 在工具變數上的迴歸預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

結論：
OLS 總是最小化其自身模型的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確的。
然而，如果存在內生性，OLS 模型本身就是錯誤設定的。

更嚴謹的證明：
在 2SLS 中，第二階段迴歸是 $Y$ 對 $X_1$ 和 $\hat{X}_2$ 的迴歸。
令 $X^* = [X_1, \hat{X}_2]$。2SLS 估計 $\hat{\beta}_{2SLS}$ 最小化 $\sum (Y_i - X_i^* \hat{\beta}_{2SLS})^2$。
OLS 估計 $\hat{\beta}_{OLS}$ 最小化 $\sum (Y_i - X_i \hat{\beta}_{OLS})^2$，其中 $X = [X_1, X_2]$。

由於 $\hat{X}_2$ 是 $X_2$ 在 $X_1$ 和 $Z$ 上的迴歸預測值，$\hat{X}_2$ 本身就是 $X_1$ 和 $Z$ 的線性組合。
如果 $Z$ 與 $X_1$ 不相關，那麼 $\hat{X}_2$ 包含了 $X_1$ 的信息，但又獨立於 $X_1$ 的部分。
在 2SLS 的第二階段，我們迴歸 $Y$ 在 $X_1$ 和 $\hat{X}_2$ 上。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。

結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，題目中存在內生性問題（因為 $X_2$ 與 $e$ 可能相關，而 $X_1$ 雖然與 $e$ 無關，但與 $X_2$ 相關）。
在存在內生性的情況下，OLS 的估計式是有偏的。
2SLS 的目標是得到一個一致的估計量。

關鍵在於：
OLS 最小化的是 $\sum (Y_i - (\hat{\beta}_0 + \hat{\beta}_1 X_{1,i} + \hat{\beta}_2 X_{2,i}))^2$。
2SLS 最小化的是 $\sum (Y_i - (\hat{\gamma}_0 + \hat{\gamma}_1 X_{1,i} + \hat{\gamma}_2 \hat{X}_{2,i}))^2$。

由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
令 $Y = X\beta + e$。OLS 估計 $\hat{\beta}_{OLS}$ 最小化 $\sum (Y_i - X_i \hat{\beta}_{OLS})^2$。
令 $X = [X_1, X_2]$。
2SLS 迴歸 $X_2$ 在 $X_1$ 和 $Z$ 上得到 $\hat{X}_2$。
2SLS 第二階段迴歸 $Y$ 在 $X_1$ 和 $\hat{X}_2$ 上，得到 $\hat{\beta}_{2SLS}$。
2SLS 預測值為 $Y_{2SLS,i} = X_{1,i} \hat{\beta}_{1,2SLS} + \hat{X}_{2,i} \hat{\beta}_{2,2SLS}$。
2SLS 最小化 $\sum (Y_i - Y_{2SLS,i})^2$。

由於 OLS 總是最小化其模型下的殘差平方和，而 2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
關鍵在於，OLS 的預測值 $Y_{OLS,i}$ 是基於 $X_1$ 和 $X_2$ 的。而 2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 在工具變數上的迴歸預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

嚴格來說，OLS 最小化的是 $\sum (Y_i - Y_{OLS,i})^2$。2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所 Оба。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

數學證明：
OLS 最小化 $\sum (Y_i - Y_{OLS,i})^2$。
2SLS 的第二階段最小化 $\sum (Y_i - Y_{2SLS,i})^2$。
由於 OLS 總是找到使殘差平方和最小的預測值，因此，OLS 預測值產生的殘差平方和應該是最小的，前提是 OLS 的模型是正確的。
然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。
因此，2SLS 的預測值 $Y_{2SLS,i}$ 是基於一個「更乾淨」的解釋變數 $\hat{X}_2$。

最終結論：
OLS 總是最小化其模型下的殘差平方和。
2SLS 的第二階段也是一個 OLS 迴歸，它最小化的是 $Y$ 與 $X_1$ 和 $\hat{X}_2$ 的迴歸預測值之間的殘差平方和。
由於 OLS 總是找到使 $\sum (Y_i - \hat{Y}_i)^2$ 最小的 $\hat{Y}_i$，因此，OLS 預測值 $Y_{OLS,i}$ 所產生的殘差平方和 $\sum (Y_i - Y_{OLS,i})^2$ 應該是所有可能的預測值中最小的，前提是 OLS 的模型是正確設定的。

然而，在存在內生性的情況下，OLS 模型是錯誤設定的。
2SLS 的預測值 $Y_{2SLS,i}$ 是基於 $X_1$ 和 $\hat{X}_2$ 的迴歸。
由於 $\hat{X}_2$ 是 $X_2$ 的預測值，它捕捉了 $X_2$ 中與工具變數相關的部分。
如果 $X_2$ 是內生變數，那麼 $X_2$ 中與誤差項 $e$ 相關的部分，將不會被 $\hat{X}_2$ 所包含。