对线性回归模型基本假设之一是自变量，之间不存在严格的线性关系。如不然，则会对回归参数估计带来严重影响。为了说明这一点，首先来计算线性回归模型参数的 LS 估计的均方误差。为此。重写线性回归模型的矩阵形式为其中服从多元正态分布，设计矩阵 X 是的，且秩为 p。这时，参数的 LS 估计为，而回归系数的 LS 估计为。注意到由此获得的 LS 估计是无偏的，于是估计的均方误差为其中是的特征根。显然，如果至少有一个特征根非常接近于零，则就很大，也就不再是的一个好的估计。由线性代数的理论知道，若矩阵的某个特质根接近零，就意味着矩阵 X 的列向量之间存在近似线性关系。如果存在一组不全为零的数，使得则称线性回归模型存在完全共线性；如果还存在随机误差 v，满足，使得则称线性回归模型存在非完全共线性。如果线性回归模型存在完全共线性，则回归系数的 LS 估计不存在，因此，在线性回归分析中所谈的共线性主要是非完全共线性，也称为复共线性。判断复共线性及其严重程度的方法主要有特征分析法(analysis of eigenvalue)，条件数法 (conditional numbers)和方差扩大因子法(variance inflation factor)。方法/步骤1/6分步阅读

排除引起共线性的变量

2/6

找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。

3/6

差分法

时间序列数据、线性模型：将原模型变换为差分模型。

4/6

减小参数估计量的方差：岭回归法（Ridge Regression）。

5/6

简单相关系数检验法

6/6

即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。