多重共线性解决方法：
1、保留重要解释变量，去掉次要或可替代解释变量：自变量之间存在共线性，说明自变量所提供的信息是重叠的，可以删除不重要的自变量减少重复信息。
但从模型中删去自变量时应该注意：从实际经济分析确定为相对不重要并从偏相关系数检验证实为共线性原因的那些变量中删除。如果删除不当，会产生模型设定误差，造成参数估计严重有偏的后果。
2、改变解释变量的形式：改变解释变量的形式是解决多重共线性的一种简易方法，例如对于横截面数据采用相对数变量，对于时间序列数据采用增量型变量。
3、差分法
4、逐步回归分析：逐步回归（Stepwise Regression）是一种常用的消除多重共线性、选取“最优”回归方程的方法。
其做法是将逐个引入自变量，引入的条件是该自变量经F检验是显著的，每引入一个自变量后，对已选入的变量进行逐个检验，如果原来引入的变量由于后面变量的引入而变得不再显著，那么就将其剔除。
引入一个变量或从回归方程中剔除一个变量，为逐步回归的一步，每一步都要进行F 检验，以确保每次引入新变量之前回归方程中只包含显著的变量。这个过程反复进行，直到既没有不显著的自变量选入回归方程，也没有显著自变量从回归方程中剔除为止。
5、主成份分析：主成分分析作为多元统计分析的一种常用方法在处理多变量问题时具有其一定的优越性，其降维的优势是明显的，主成分回归方法对于一般的多重共线性问题还是适用的，尤其是对共线性较强的变量之间。
6、偏最小二乘回归
7、岭回归：岭回归估计是通过最小二乘法的改进允许回归系数的有偏估计量存在而补救多重共线性的方法，采用它可以通过允许小的误差而换取高于无偏估计量的精度, 因此它接近真实值的可能性较大。灵活运用岭回归法, 可以对分析各变量之间的作用和关系带来独特而有效的帮助。
8、增加样本容量：多重共线性问题的实质是样本信息的不充分而导致模型参数的不能精确估计，因此追加样本信息是解决该问题的一条有效途径。但是，由于资料收集及调查的困难，要追加样本信息在实践中有时并不容易。
扩展资料：
注意事项：在多元线性回归模型经典假设中，其重要假定之一是回归模型的解释变量之间不存在线性关系，也就是说，解释变量X1，X2，……，Xk中的任何一个都不能是其他解释变量的线性组合。
如果违背这一假定，即线性回归模型中某一个解释变量与其他解释变量间存在线性关系，就称线性回归模型中存在多重共线性。多重共线性违背了解释变量间不相关的古典假设，将给普通最小二乘法带来严重后果。
一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。
参考资料：百度百科-多重共线性
1、排除引起共线性的变量：
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。
2、差分法：
时间序列数据、线性模型：将原模型变换为差分模型。
3、减小参数估计量的方差：
岭回归法（Ridge Regression）。
4、简单相关系数检验法。
扩展资料：
相关影响
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS估计量非有效
（3）参数估计量经济含义不合理
（4）变量的显著性检验失去意义，可能将重要的解释变量排除在模型之外
（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。
需要注意：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。
本回答被网友采纳多重共线性形成的原因有很多，可能由于样本量过少所导致，样本量少有可能是数据搜集具有限制性，比如已经完成实验或者经费有限等一些其他原因。还有可能是本身分析项之间就存在某种关系，比如某品牌电脑营业额和销量等。而且我们在建模分析时，为了更好描述分析结果，以及分析项之间的关系，常常倾向于选择有关指标，这可能也会对模型带来多重共线性。
如何判断是否存在多重共线性：
（1）某些自变量的相关系数值较大（比如大于0.8）等，可以利用pearson相关系数检验法一般是利用解释变量之间的线性相关程度判断，一般标准是系数大于0.8则认为可能存在多重共线性。
（2）如果增加一个变量或者删除一个变量，回归系数的观测值变化很大。
（3）如果说F检验通过，并且决定系数值也较大，但是t检验并不显著，也可能存在多重共线性。
（4）回归系数的正负符号与专业知识相反或与实际分析结果不符，也会存在多重共线性的可能。
以上方法可能会存在误差，更多偏向于主观，还有一种正规检验方法，观察回归分析中的VIF值（方差膨胀因子），这个检验方法更为严谨、准确。通常的判断标准是VIF值大于10即具有多重共线性，有的文献也说大于5即有共线性。
多重共线性的处理方法
处理多重共线性经验式做法：
（1）删除不重要的共线性变量
但是删除变量后可能会导致模型和原本分析的模型不一样，可能会出现决策错误等现象。
（2）增加样本容量
多重共线性有可能与样本量过少有关，所以如果存在也可以加大样本量。但是加大样本量具有局限性比如实验已经结束或者其它原因。
（3）变量转换
构造一个新的变量，这一新变量是多重共线性变量的函数，然后用这个新的变量代替多重共线性的变量，但是要注意组合后的数据需要有实际意义否则模型不好解释。
岭回归
岭回归分析是一种修正的最小二乘估计法，当自变量系统中存在多重共线性时，它可以提供一个有偏估计量，这个估计量虽有微小偏差，但它的精度却能大大高于无偏估计。
如果使用SPSSAU进行分析岭回归一般有两个步骤：岭回归通过引入k个单位阵，使得回归系数可估计；单位阵引入会导致信息丢失，但同时可换来回归模型的合理估计。针对岭回归：其研究步骤共为2步,分别是结合岭迹图寻找最佳K值；输入K值进行回归建模。
逐步回归
逐步回归分析方法视自变量对因变量的影响显著性大小从大到小逐个引入回归方程，从处理角度来看逐步回归比岭回归和主成分回归要好一些。逐步回归面临着检验的显著性水平的选择困难它通常得不到最优变量子集，可以利用SPSSAU进阶方法中逐步回归进行分析。
主成分回归根据主成分分析的思想提出的。主成分估计和岭回归类似都是一种有偏估计。主成分分析利用降维的思想对数据信息进行浓缩，将多个分析项浓缩成几个关键概括性指标；剔除对系统影响微弱的部分。通过对各个主成分的重点分析，来达到对原始变量进行分析的目的。主成分回归就是用对原变量进行主成分分析后得到的新的指标来代替原变量，再使用最小二乘法进行回归分析。由于对原变量的综合，就可以起到克服多重共线性所造成的信息重叠的作用，从而消除多重共线性对回归建模的影响。
X´XB=X´Y 而且 ˆB=（ X´X）-1 X´Y
注：更多的是变量之间有线性关系还有一个扰动项（随机干扰项）进行调节，所以更多的是不完全共线性，不完全共线性X´X矩阵逆是存在的，方程就会有唯一解， ˆB是可以计算出来的。而且会有转换公式：
ˆB=（ X´X）-1 X´Y，则后果是：如果是不完全多重共线性，用OLS仍可得到参数的估计量及其标准误差，并且仍是无偏，（无偏与随机干扰项均值是为0及干扰项与解释变量是否相关有关系，但与X是没关系）
尽管无偏但估计量的标准误差非常大（方差大），即估计精度（方差的倒数）就很小。（即方差大即倒数就小）， Var(ˆB)=δ2 ( X´X)