在迴歸分析裡，我們有許多的方法來選擇我們的模型，如：向前選取法(Forward selection)、向後消去法(Backward elimination)、逐步選取法(Stepwise selection)、Mallows’ CP、R-平方(R-Square)、調整後R平方(adjust R-square)、Akaike information criterion(AIC)、Schwarz Bayesian Criterion(SBC)等。

分別介紹一下：

向前選取法：一開始模型中沒有任何的變數，且須設定進入模型的條件，一般來說會假設進入模型的值以0.15為準，接著，針對各別的變數做檢定，檢定結果須滿足P-value小於0.15中最顯著的變數，則此變數將優先選入模型中，依此類推至沒有變數可選入模型為止。

向後消去法：一開始把所有的變數放在模型中，且須假設離開模型的值(通常為0.15)，接著對整個模型做檢定，選出所有p-value大於0.15中最不顯著的變數，將優先離開模型，依此類推至沒有變數離開模型。

逐步選取法：是向前選取法與向後選取法的結合。一開始模型中沒有任何的變數，且須假設進出模型的值(通常進出模型的準則預設為0.15)。首先檢定所有的變數，接著須滿足p-value小於0.15中最顯著的變數優先放入模型，接著再選出第二顯著的變數進入，此時，模型中已有兩個變數，再將這兩個變數做檢定，如果符合標準則留在模型裡，若不符合標準則離開模型，反覆執行直到沒有任何的變數進出為止。

Mallows’ CP：Mallows’ CP的值與參數個數值愈近愈好。

R平方與調整後R平方：預測值為愈高愈好。

AIC與SBC：值愈小愈好。

點選分析=>迴歸裡的「線性迴歸」=>資料：放入適當變數=>模型：先選取Mallows’ CP再勾選調整R平方、Akaike訊息準則、Mallows’ CP、SBC=>執行。

下表表示為擷取的模型(原始共有127個模型)，依據上述的準則來做選取，我們將選擇第一個模型。

接著，我們再改成使用逐步選取法。在結果的地方點選「修改工作」à模型à模型選取法修改為「逐步選擇」=>執行=>尋問是否取代先前結果時可依各人喜好做決定。

其經過七次的逐步選取後，得到以下結果：

因此，我們得到的迴歸參數估計值為：

模型為：

此時，若以C(p)或是調整後的R平方為主來看，其「模型索引1」都是最佳的；雖然AIC與SBC的結果都不是最佳，但也不會差太多，所以我們還是選擇「模型索引1」。而在逐步迴歸選取裡，所選擇的變數與「模型索引1」內容一致，所以我們以此模型暫定為最終結果。

下節再接著將此模型結果做共線性的檢定。