Metoda parciální regrese nejmenších čtverců (PLS-regression) má ve statistice určitý vztah k analýze hlavních komponent; místo nalezení hyperplanes maximálního rozptylu najde lineární model popisující některé predikované proměnné z hlediska jiných pozorovatelných proměnných.
Používá se k nalezení základních vztahů mezi dvěma maticemi (X a Y), tj. latentního variabilního přístupu k modelování kovariančních struktur v těchto dvou prostorech. Model PLS se pokusí najít multidimenzionální směr v prostoru X, který vysvětluje maximální multidimenzionální směr rozptylu v prostoru Y.
Poprvé ji zavedl švédský statistik Herman Wold. Alternativní (a podle Wolda pravděpodobně správnější) dlouhá forma pro PLS je projekce latentních struktur, ale v některých oblastech stále převládá termín parciální nejmenší čtverce. Široce se uplatňuje v oblasti chemometrie, ve smyslovém hodnocení a v poslední době i v datech z procesů chemického inženýrství (viz John F. MacGregor) a v analýze dat z funkčního zobrazování mozku (viz [Randy McIntosh]).