k_i=sqrt{dfrac{lambda_m}{lambda_i}},i=0,1,2,cdots,p
为特征根lambda_{i}的条件数。矩阵X’X的特征根的离散程度用条件数来度量，可以判断多重共线性的存在以及严重程度，如果0<k<10时，设计矩阵X多重共线性不存在，10≤k＜100时，多重共线性情况比较严重，当k≥100，共线性非常严重。
那么如果存在多重共线性应该如何解决呢？
三、解决办法
如果存在多重共线性问题，一般可以从三个方面进行说明，剔除变量、增大样本量以及更换模型。
1.剔除变量
剔除变量是处理共线性最直接的办法。一般可以找出引起多重共线性的解释变量，然后把它从模型中剔除，但是常常不容易判断具体哪一个变量引起的多重共线性，所以一般解决办法有逐步回归法等。逐步回归是在模型中逐个引入解释变量，如果新引入的变量使得模型统计意义检验或者判断与事实相符，并且R方又能提高，则应该引入，反之无需引入。但是，排除引起共线性的变量后，保留在模型中变量的系数估计值将会改变，并且实际意义也会发生变化。
2.增大样本量
一般如果在计量经济模型中，入股变量的样本数据极少，很容易引起多重共线性问题，可以通过手机更多的观测值来增加样本量，可以避免或者减少共线性的影响，但是会引起计算量的增加。
3.更换模型
除此之外，还可以更换研究模型，利用岭回归、主成分回归、Lasso回归等。
岭回归是以引入偏误来减少参数估计量方差的方法，虽然通过岭回归能使数据变的更合理，但是如果是原模型的实际意义不合理，即使通过岭回归修正后也不一定使模型通过实际意义的检验，所以说在实际应用中也不是所有的共线性都可以用岭回归来解决。操作如下：
主成分回归中主成分分析又称主分量分析，他是利用降维的思想，在尽量减少损失的信息的前提下，把多个指标通过正交旋转转化为几个综合的指标的分析方法，其基本原理是：利用主成分分析将解释变量转换成若干个主成分，这些主成分从不同侧面反映了解释变量的综合影响，然后在讲解释变量对这些主成分进行回归，在根绝主成分分与解释变量之间的关系，求得原回归模型的估计方程。比如有6个X，其利用降维原理将6个X降维成比如2个主成分，然后后续再进行分析比如线性回归（此种做法称作主成分回归）。操作如下：
Lasso回归
Lasso回归分析（Lasso Regression）是一种用于解决线性回归分析中自变量共线性的研究算法。针对Lasso回归：其研究步骤共为2步,分别是结合轨迹图寻找最佳K值；输入K值进行回归建模。具体如下：
第一步：Lasso回归分析前需要结合轨迹图确认K值；K值的选择原则是各个自变量的标准化回归系数趋于稳定时的最小K值。K值越小则偏差越小，K值为0时则为普通线性OLS回归；SPSSAU提供K值智能建议，也可通过主观识别判断选择K值；
第二步：对于K值，其越小越好，通常建议小于1，确定好K值后，得出Lasso回归模型估计。操作如下：
