（1)多元回归模型的基本假定有：

①    自变量x₁,x₂,...,x_k是非随机的、固定的，且相互之间互不相关(无多重共线性）；

②    误差项ε是一个期望值为0的随机变量，即E（ε）=0;

③    对于自变量x₁,x₂,...,x_k的所有值，ε的方差σ²都相同，且不序列相关，即D（ε_i） =σ², Cov（ε_i，ε_j）=0，i≠j；

④    误差项ε是一个服从正态分布的随机变量，且相互独立，即ε~N（0，σ²）。

(2)若模型中存在多重共线性时，解决的方法有：

第一，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。

第二，如果要在模型中保留所有的自变量，那就应该：避免根据t统计量对单个参数β 进行检验；对因变量Y值的推断(估计或预测）限定在自变量样本值的范围内。

当误差项ε不相互独立时，则说明回归模型存在序列相关性，这时首先要查明序列相关产生 的原因：如果是回归模型选用不当，则应改用适当的回归模型；如果是缺少重要的自变量，则应增加自变量；如果以上两种方法都不能消除序列相关性，则需采用迭代法、差分法等方法处理。

当存在异方差性时，普通最小二乘估计不再具有最小方差线性估计的性质，这时可以采 用加权最小二乘法改进估计的性质。加权最小二乘估计对误差项方差小的项加一个大的权 数，对误差项方差大的项加一个小的权数，因此加强了小方差项的地位，使离差平方和中各 项的作用相同。