Справочный материал к теме:
Множественная регрессия – уравнение связи с несколькими независимыми переменными:
 
где  - зависимая переменная (результативный признак);
  - независимые переменные (факторы).
Для построения уравнения множественной регрессии чаще используются следующие функции:
  линейная –  
  степенная –  
  экспонента –  
  гипербола - . 
Можно использовать и другие функции, приводимые к линейному виду.
Для оценки параметров уравнения множественной регрессии применяют метод наименьших квадратов (МНК). Для линейных уравнений и нелинейных уравнений, приводимых к линейным, строится следующая система нормальных уравнений, решение которой позволяет получить оценки параметров регрессии:
 
Для ее решения может быть применен метод определителей:
  ,  ,…, ,
где  - определитель системы;
 - частные определители; которые получаются путем замены соответствующего столбца матрицы определителя системы данными левой части системы.
Другой вид уравнения множественной регрессии – уравнение регрессии в стандартизированном масштабе:
 
где  - стандартизированные переменные;
  - стандартизированные коэффициенты регрессии.
К уравнению множественной регрессии в стандартизированном масштабе применим МНК. Стандартизированные коэффициенты регрессии ( - коэффициенты) определяются из следующей системы уравнений:
 .
Связь коэффициентов множественной регрессии  со стандартизированными коэффициентами  описывается соотношением
 
Параметр  определяется как .
Средние коэффициенты эластичности для линейной регрессии рассчитываются по формуле
 
Для расчета частных коэффициентов эластичности применяется следующая формула:
 .
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции:
 
Значение индекса множественной корреляции лежит в пределах от 0 до 1 и должно быть больше или равно максимальному парному индексу корреляции:
  
 
Индекс множественной корреляции для уравнения в стандартизированном масштабе можно записать в виде
 
При линейной зависимости коэффициент множественной корреляции можно определить через матрицу парных коэффициентов корреляции:
 
  ---- определитель матрицы парных коэффициентов корреляции;
  ------ определитель матрицы межфакторной корреляции.
Частные коэффициенты (или индексы) корреляции, измеряющие влияние на y фактора  при неизменном уровне других факторов, можно определить по формуле:
 
или по рекуррентной формуле:
 .
Частные коэффициенты корреляции изменяются в пределах от –1 до 1.
Качество построенной модели в целом оценивает коэффициент (индекс) детерминации. Коэффициент множественной детерминации рассчитывается как квадрат индекса множественной корреляции:
 
Скорректированный индекс множественной детерминации содержит поправку на число степеней свободы и рассчитывается по формуле:
 
где n-число наблюдений;
m – число факторов.
Значимость уравнения множественной регрессии в целом оценивается с помощью F-критерия Фишера:
 
Частный F-критерий оценивает статистическую значимость присутствия каждого факторов в уравнении. В общем виде для фактора  частный F-критерий определится как
 
Оценка значимости коэффициентов чистой регрессии с помощью t-критерия Стьюдента сводится к вычислению значения
 
где  - средняя квадратичная ошибка коэффициента регрессии  она может быть определена по следующей формуле:
 
При построении уравнения множественной регрессии может возникнуть проблема мультиколлинеарности факторов, их тесной линейной связанности.
Считается, что две переменные явно коллинеарны, т. е. находятся между собой в линейной зависимости, если 
По величине парных коэффициентов корреляции обнаруживается лишь явная коллинеарность факторов. Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличии мультиколлинеарности факторов. Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов. 
Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами.
Если бы факторы не коррелировали между собой, то матрица парных коэффициентов корреляции между факторами была бы единичной матрицей, поскольку все недиагональные элементы    были бы равны нулю. Так, для включающего три объясняющих переменных уравнения 
 
матрица коэффициентов корреляции между факторами имела бы определитель, равный 1:
  
так как  и .
Если же, наоборот, между факторами существует полная линейная зависимость и все коэффициенты корреляции равны 1, то определитель такой матрицы равен 0:
 .
Чем ближе к 0 определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И наоборот, чем ближе к 1 определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов.
Проверка мультиколлинеарности факторов может быть проведена методом испытания гипотезы о независимости переменных . Доказано, что величина  имеет приближенное распределение  с степенями свободы. Если фактическое значение  превосходит табличное (критическое) , то гипотеза  отклоняется. Это означает, что , недиагональные ненулевые коэффициенты корреляции указывают на коллинеарность факторов. Мультиколлинеарность считается доказанной.
Для применения МНК требуется, чтобы дисперсия остатков была гомоскедастичной. Это значит, что для каждого значения фактора  остатки  имеют одинаковую дисперсию. Если это условие не соблюдается, то имеет место гетероскедастичность. 
При нарушении гомоскедастичности мы имеем неравенства 
 
При малом объеме выборки для оценки гетероскедастичности может использоваться метод Гольдфельда-Квандта. Основная идея теста Гольдфельда-Квандта состоит в следующем:
1) упорядочение  наблюдений по мере возрастания переменной 