回归分为解释型回归和预测型回归。预测型回归可以不用考虑自变量的多少，也不用过多的在建模前对自变量进行假设，直接尽可能的包含多的对因变量有显著影响的变量即可。这种情形下用逐步回归可以。但我个人感觉如果是做解释型回归，用逐步回归处理自变量间的严重多重共线性问题不如用主成分回归。因为解释型回归是想要看每个变量的系数方向和大小（虽然有些变量不显著，但还是想看看其方向，并在专业上寻求变量不显著的原因），且这种回归在构建模型前需要对自变量做出研究假设的。所以虽然我不知道为什么用逐步回归你的模型还是存在VIF>10的情况，但我个人建议你不用逐步回归，而改用主成分回归。先用主成分分析处理严重多重共线性指标，然后再构建回归。
   第二个问题，自变量中含有分类变量，在构建模型时需要将其处理为虚拟变量，然后再纳入模型。具体解释时大概是这样的套路。如以Type变量为例，type4是参照组。这样解释，在其它条件不变的情况下，与Type4相比，Type1怎样，Type2怎样，Type3怎样（一般以倍数来解释的，可参考你这个专业相关文献）。
   至于第三个问题，有些没有必要放那么多东西的。在文中用点话说明一下就行，如在构建模型时对自变量间是否存在多重共线性进行了诊断，然后出现严重多重共线性了，你怎么处理的之类的话就行了。文章投出去，审稿人问到了具体的问题到时在回答补充就行。祝好运。
   

非常感谢，想问一下什么叫做构建模型前对自变量进行假设呢？这是什么意思？都改做些什么假设

   这可能是好多国内研究者的通病，我以前也犯，都是在2篇SCI/SSCI修稿过程中被老外提出来才引起注意的。在回答这个问题前，如果我是审稿人，看到你的文章，我会问你如下这个问题：为什么你构建的模型要选择这些指标而非另外的一些指标。根据常识，可能除了你选择的这些指标外，其余还有指标会影响模型的因变量。你为什么不选择其它指标呢？其实说白了就是问你选择目前这些自变量构建模型的依据是什么？是根据文献来，是根据理论来，还是根据常识来？如果有依据，那么在构建模型前，很多指标应该都有个先验判断呗。如举个常识性的例子，我们都知道收入一般对消费有正向显著影响，收入越高，消费也越高。那么其实，在构建消费与收入的模型时，前期会做的假设就是H:收入对消费有正向显著影响。同理，你的模型在构建前应该也有类似的东西。

明白了，谢谢。

好人哪，xddlovejiao1314热心的程度令人敬佩！