多重共線性,Multi-collinearity,是指線性迴歸模型中的解釋變數之間由於存在精確相關關係或高度相關關係而使模型估計失真或難以估計準確。一般來說，由於經濟資料的限制使得模型設計不當，導致設計矩陣中解釋變數間存在普遍的相關關係。完全共線性的情況並不多見，一般出現的是在一定程度上的共線性，即近似共線性。 多重共線性產生的原因主要有3方面：
1. 經濟變數相關的共同趨勢
2.滯後變數的引入
3.樣本資料的限制 多重共線性的影響有: 1.完全共線性下引數估計量不存在 2.近似共線性下OLS估計量非有效. 多重共線性使引數估計值的方差增大,1/(1-r2)為方差膨脹因子(Variance Inflation Factor, VIF) 3.引數估計量經濟含義不合理
4.變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外
5.模型的預測功能失效, 變大的方差容易使區間預測的“區間”變大，使預測失去意義. 需要注意：即使出現較高程度的多重共線性,OLS估計量仍具有線性性等良好的統計性質.但是OLS法在統計推斷上無法給出真正有用的資訊. 多重共線性的解決方法有: 1.排除引起共線性的變數, 找出引起多重共線性的解釋變數,將它排除出去,以逐步迴歸法得到最廣泛的應用. 2.差分法, 時間序列資料,線性模型: 將原模型變換為差分模型 3.減小引數估計量的方差: 嶺迴歸法（Ridge Regression）
多重共線性,Multi-collinearity,是指線性迴歸模型中的解釋變數之間由於存在精確相關關係或高度相關關係而使模型估計失真或難以估計準確。一般來說，由於經濟資料的限制使得模型設計不當，導致設計矩陣中解釋變數間存在普遍的相關關係。完全共線性的情況並不多見，一般出現的是在一定程度上的共線性，即近似共線性。 多重共線性產生的原因主要有3方面：
1. 經濟變數相關的共同趨勢
2.滯後變數的引入
3.樣本資料的限制 多重共線性的影響有: 1.完全共線性下引數估計量不存在 2.近似共線性下OLS估計量非有效. 多重共線性使引數估計值的方差增大,1/(1-r2)為方差膨脹因子(Variance Inflation Factor, VIF) 3.引數估計量經濟含義不合理
4.變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外
5.模型的預測功能失效, 變大的方差容易使區間預測的“區間”變大，使預測失去意義. 需要注意：即使出現較高程度的多重共線性,OLS估計量仍具有線性性等良好的統計性質.但是OLS法在統計推斷上無法給出真正有用的資訊. 多重共線性的解決方法有: 1.排除引起共線性的變數, 找出引起多重共線性的解釋變數,將它排除出去,以逐步迴歸法得到最廣泛的應用. 2.差分法, 時間序列資料,線性模型: 將原模型變換為差分模型 3.減小引數估計量的方差: 嶺迴歸法（Ridge Regression）