检验多重共线性的方法有很多种具体如下：
通过计算自变量之间的相关系数，判断是否存在较高的相关性。当出现强相关时，可考虑剔除其中一个自变量或使用PCA等方法来减少自变量数量。
1、方差膨胀因子检验法。
通过计算各个自变量的方差膨胀因子，来判断是否存在多重共线性。若方差膨胀因子大于10，则表明存在较强的多重共线性。
2、特征值检验法。
通过计算自变量矩阵的特征值，来判断是否存在多重共线性。若存在一个或多个特征值接近于0，则表明存在多重共线性。
3、条件数检验法。
通过计算自变量矩阵的条件数，来判断是否存在多重共线性。当条件数较大时，表明存在多重共线性。通过计算各个自变量的变量膨胀因子，来判断是否存在多重共线性。若变量膨胀因子大于1，则表明存在多重共线性。
4、微笑曲线检验法。
通过绘制散点图和残差图，来观察自变量与因变量之间的关系是否呈现微笑曲线，若呈现则表明存在多重共线性。根据实际情况选择相应的方法进行检验即可。除了检验方法外，还需要注意数据的来源和采集方法，避免数据中的噪声和异常值对判断结果产生影响。
多重共线性一般是指：如果有两个或者多个自变量高度相关（相关系数大于0.8），难以区分一个自变量对因变量的影响和作用，将自变量相关性产生的后果定义为多重共线性，一般提出多重共线性问题，研究者往往会想到回归分析。回归分析方法，回归模型等，在统计学中都占有重要地位，多数情况下，使用回归分析进行构建模型是，由于模型中解释变量之间存在高度相关关系（如相关系数大于0.8），所以导致数据模型估计失真，此时需要消除多重共线性问题，实现模型的精准估计。接下来从多重共线性的诊断，多重共线性解决办法以及举例进行说明多重共线性几个方面进行说明。
1.经验法
经验法就是通过宏观经验进行简单的判断，模型的R方比较高，但是变量不显著（回归中的t检验），或者模型结果不合理，这可能存在多重共线性，即如果R方较高，一般情况下方程整体会显著（即通过F检验），但t检验表明，没有或很少有斜率系数是显著不为0的。
2.相关系数检验法
对于模型中任意两个不同的解释变量进行相关分析，得到相关系数，如果相关系数的绝对值较大（一般大于0.8），则认为这两个变量相关性较高，但是需要知道，相关分析只能检验两个解释变量之间的相关性，对于更多（比如三个）解释变量的相关性检验并不适用。
3.VIF（方差膨胀因子法）
方差膨胀因子法又叫VIF，在线性回归中，第i个解释变量的VIF值表示为:
4、特征根判断法
