平时有不少学生私信我说，我的多元回归模型中参数显著性的个数为什么这么少，怎么办才能提高参数的显著性，虽然我常说参数的显著性并不能刻意的强求，并且只说明在你所选择的样本下或者时间段内不存在显著性，但是应该知道在构建多元回归时有哪些因素会影响显著性，是怎么影响的，应该如何来修正。
1.多重共线检验
首先在构建完模型之后，第一个需要检验的是，你所选择的变量之间是否存在多重共线，啥意思呢，就是说一个变量是否可以由你所选的变量中的一个或多个来代替，如果可以，就说明存在多重共线，变量间是相关的，此时从偏回归系数意义上看，当a和b存在相关时，无法保持a不变去单独考虑b对y的影响，只要记住一点：方程是无法估计的或者方程的显著性是不准确的
（1）简单相关系数
判断多重共线是否存在一个简单的方法就是，如果方程的F统计量显著，但是变量的t统计量很多不显著，说明可能存在多重共线性。更一般的方法可以看一下变量间的简单相关系数，如果大于0.8，可认为存在严重的多重共线性，但是如果变量间存在多重共线性，那么就一定说明变量间的简单相关系数高？并不一定！有时候较低的相关系数也可能存在多重共线，因此并不能完全依赖简单相关系数判断多重共线性。
（2）方差膨胀因子（VIF)
方差膨胀因子是个啥东西？自己百度哈哈，方差膨胀因子越大，说明解释变量之间的多重共线越严重（啥是解释变量？）自变量！方差膨胀因子越接近1，多重共线性越弱，一般当VIF大于10时，就说明自变量和其余自变量之间存在严重多重共线性。这个操作，在SPSS中会直接输出VIF值，但是在Eviews中暂时我还没有找到。
2、如何修正
（1）剔除变量（很简单，不解释）
但是需要考虑的是，如果删除了重要变量，可能引起模型的设定误差（啥叫设定误差，简单理解可能存在遗漏变量偏差从而导致估计出现误差）
（2）对变量进行差分
一般来讲，差分后的序列会显著降低多重共线性的发生概率，但是差分会丢掉很多信息，同时误差项可能存在序列相关，因此也要注意。
（3）变量变换
比如计算相对指标、将名义数据改为实际数据、对数化处理，但是效果可能并不一定好。
（4）逐步回归
这是一个比较常用的方法，步骤就是，先用被解释变量对每一个解释变量进行回归，按照贡献大小进行排序，然后以对被解释变量贡献最大的解释变量所对应的方程为基础，将剩余解释变量一个一个引入方程中。
如果引入新解释变量后，方程整体的R方和F检验均得到改进，并且该变量也是显著的，在模型中就保留这个变量。如果不是就删除掉，这里面也存在两种情况，一种是引入后未改进R方和F统计量，对其他系数的显著性也没影响，这个变量就是多余的，另外一种是引入后虽然未能改进R方和F统计量，但是显著影响了其他的变量，变量本身也不显著，说明该变量是多重共线变量。SPSS软件中可以直接设定逐步回归，但是Eviews中需要手动设定。
