複数の独立変数を扱う場合、我々はこの形式の回帰を使用することができます。この技術では、独立変数の選択は自動的なプロセスで行われ、これには人為的な操作は含まれません。

この成果は、R二乗、t統計量、AIC指標などの統計値を観察することにより、重要な変数を識別することで達成されます。段階的回帰は、指定された基準に基づいて共変量を同時に追加/削除することでモデルを適合させます。以下に最も一般的に使用される段階的回帰方法のいくつかを示します：

• 標準的な段階的回帰法は2つのことを行います。すなわち、各ステップで必要な予測を追加および削除します。

• 前方選択法は、モデルで最も有意な予測から始め、その後各ステップで変数を追加します。

• 後方削除法则は、モデルのすべての予測から同時に始め、その後各ステップで最も有意性の低い変数を削除します。

このモデリング技術の目的は、最小限の予測変数を使用して予測能力を最大化することです。これはまた、高次元データセットを扱う方法の1つでもあります。