当回归模型中两个或两个以上的自变量彼此相关时， 则称回归模型中存在多重共线性。
（1） 多元线性回归模型中存在高度多重共线性产生的后果
①当出现较为严重的多重共线性时， 各共线性解释变量回归系数的估计值会有很大的方差， 即估计的精度降低。
②解释变量对被解释变量的影响无法测定。
③在进行回归系数的显著性检验时， 会增大犯第二类错误的概率。
（2） 多重共线性常用的检验方法
①计算模型中各对自变量之间的相关系数， 并对各相关系数进行显著性检验。如果有一个或多个相关系数是显著的， 就表示模型中所使用的自变量之间相关， 因而存在多重共线性问题。
②经验判别。 具体来说， 如果出现下列情况， 暗示存在多重共线性：
a． 当模型的线性关系检验（F检验） 显著时， 几乎所有回归系数β 1 的t检验却不显著。
b． 回归系数的正负号与预期的相反， 明显违背经济常理。
c． 容忍度与方差扩大因子（VIF） 。 某个自变量的容忍度等于1减去该自变量为因变量而其他k－1个自变量为预测变量时所得到的线性回归模型的判定系数，即1－R_i² 。 容忍度越小， 多重共线性越严重。 通常认为容忍度小于0.1时， 存在严重的多重共线性。 方差扩大因子等于容忍度的倒数， 即VIF＝1/（1－R_i²）显然， VIF越大多重共线性越严重。 一般认为VIF大于10时， 存在严重的多重共线性。
（3） 多重共线性的补救办法
①将一个或多个相关的自变量从模型中剔除， 使保留的自变量尽可能不相关。
②增加样本容量， 即加入额外信息。
③对模型施加某些约束条件或将模型适当变型。