檢驗多重共線
如果發現存在多重共線性，可以采取以下處理方法。
(1)如果不關心具體的回歸系數，而只關心整個方程預測被解釋變量的能力，則通常可以不必理會多重共線性（假設你的整個方程是顯著的）。這是因為，多重共線性的主要后果是使得對單個變量的貢獻估計不准，但所有變量的整體效應仍可以較准確地估計。
(2)如果關心具體的回歸系數，但多重共線性並不影響所關心變量的顯著性，那么也可以不必理會。即使在有方差膨脹的情況下，這些系數依然顯著;如果沒有多重共線性，則只會更加顯著。
(3) 如果多重共線性影響到所關心變量的顯著性，則需要增大樣本容量，剔除導致嚴重共線性的變量（不要輕易刪除哦，因為可能會有內生性的影響），或對模型設定進行修改。
解決多重共線性
向前逐步回歸Forward selection：將自變量逐個引入模型，每引入一個自變量后都要進行檢驗，顯著時才加入回歸模型。 (缺點：隨着以后其他自變量的引入，原來顯著的自變量也可能又變為不顯著了， 但是，並沒有將其及時從回歸方程中剔除掉。)
向前逐步回歸Forward selection： stepwise regress y x1 x2 … xk, pe(#1) pe(#1) specifies the significance level for addition to the model; terms with p<#1 are eligible for addition（顯著才加入模型中）.
⭐一般使用此方法⭐：向后逐步回歸Backward elimination：與向前逐步回歸相反，先將所有變量均放入模型，之后嘗試將其中一個自變量從模型中剔除，看整個模型解釋因變量的變異是否有顯著變化，之后將最沒有解釋力的那個自變量剔除；此過程不斷迭代， 直到沒有自變量符合剔除的條件。（缺點：一開始把全部變量都引入回歸方程， 這樣計算量比較大。若對一些不重要的變量，一開始就不引入，這樣就可以減少 一些計算。當然這個缺點隨着現在計算機的能力的提升，已經變得不算問題了）
向后逐步回歸Backward elimination： stepwise regress y x1 x2 … xk, pr(#2) pr(#2) specifies the significance level for removal from the model; terms with p>= #2 are eligible for removal（不顯著就剔除出模型）.
如果你覺得篩選后的變量仍很多，你可以減小#1或者#2
如果你覺得篩選后的變量太少了，你可以增加#1或者#2
重點：1、在進行逐步回歸之前一點要去除有完全多重共線性的變量
2、可以在后面再加參數b和r，即標准化回歸系數或穩健標准