一般有两种方法可以用来消除

1。剔除vif大的元素，最好结合droptest进行

2。使用差分，不过差分有个不好就是会消除一些序列特性，慎用。

谢谢了，以前还不知道有Variance inflate factor(VIF)这样一个指标可以衡量多重共线性问题的：看人家的文章，只要小于5就是可以接受的。这样子有个定量的指标就好多了。

我觉得DW值（反映变量的自相关的指标）也能反映模型整体的多重共线性问题，如果模型经过差分处理后仍然存在较严重多重共线性问题的话，它的DW值也会离开临界范围。

碰到这样的情况，差分法消除自相关很有效，但消除多重共线性效果就不好了。

最有效的方法有偏最小二乘，岭回归和主成分分析，但是这三者都是偏回归要慎用。

一般来说，只要多重共线性不是非常严重的话，不影响经济学意义改变符号的话，并不是要考虑的重点，但是如果符号都改变那么就有必要考虑改变变量，用差分来减轻多重共线性了。如果这样还不行才考虑前三者。PLS和岭回归都比较高深。岭回归的话，下载SPSS的补丁就可以做了，其中K的选择要考虑主观因素，传说中这个是结合计量的客观性和人文的主观性的完美方法（囧）。如果你变量很多，那么采用成分分析来做因子分析最适合。如果解释变量少也不要紧，有个比较囧的方法是——用主成分回归，先分好FACTOR,用FACTOR做回归之后，在以每个FACTOR作为因变量，原解释变量做自变量进行OLS,最后转换带入。我计量课设用这个方法，做出来效果不错，但是不是万精油，要看具体情况。

关于岭回归和主成分分析，推荐看何晓群老师的《应用回归分析》，里面有实例（我那个方法就是从何老师那儿来的……）

关于偏最小二乘(pls）现在国内做得最好的貌似我们北航的王惠文老师（自豪下），以前她上的统计学我没好好听很后悔，不能在这里跟楼主解答了……OTL……所以推荐楼主看她的书，貌似是她博士时期的研究成果，很不错。

这些都主要通过SPSS来完成。暂时不知道EVIEWS和STATA情况下如何操作

以上