Теоретически модель множественной регрессии позволяет учесть любое число факторов. Однако на практике ограничиваются наиболее значимыми из них. Предварительный отбор факторов производится на основании опытных данных и теоретических представлений о закономерностях изменения результата Y от значений факторов с учетом следующих требований:
1. Каждый фактор должен быть теоретически обоснованным и количественно измеримым. Если в модель необходимо включить качественный фактор, то ему следует придать количественную определенность (например, экспертная оценка уровня инвестиционной привлекательности региона в баллах).
2. Факторы не должны находиться друг с другом в тесной связи. В противном случае, нельзя достоверно установить, как эти факторы влияют на результат Y по отдельности. Параметры модели, соответствующие тесно связанным факторам, будут неправильно интерпретироваться.
3. В модель целесообразно включать только факторы, оказывающие существенное воздействие на результат Y. Поэтому каждый включаемый фактор должен объяснять вариацию Y. Другими словами, добавление фактора в модель должно увеличивать множественный коэффициент детерминации R 2. Низкое значение R 2 означает, что либо в регрессионную модель не включены существенные факторы, либо рассматриваемая форма связи не отражает реального соотношения между переменными.
4. Излишнее насыщение модели факторами не всегда ведет к улучшению ее качества, даже если при этом и увеличивается множественный коэффициент детерминации R 2. (Вообще говоря, значение R 2 всегда увеличивается при добавлении новых факторов, хотя это и необязательно означает улучшение модели.) С введением в модель нового фактора должен увеличиваться и скорректированный (нормированный) коэффициент детерминации 
, который для линейной модели определяется по формуле
 ,
| (3.9) |
где n — число наблюдений; p — число факторов в модели.
В отличие от множественного коэффициента детерминации R 2 скорректированный коэффициент детерминации уменьшается при включении в модель факторов, не оказывающих ощутимого влияния на результат Y.
На практике существует несколько методов отбора факторов. Наиболее часто применяются три из них:
1. Метод исключения предполагает построение модели, включающей всю совокупность факторов, с последующим сокращением их числа до тех пор, пока не выполнится некоторое, наперед заданное условие. Такими условиями могут быть: наличие в модели только статистически значимых факторов, отсутствие в модели коллинеарных факторов и т.п. Данный метод обычно применяется при большом числе факторов, предположительно влияющих на результат (четыре и более).
2. Метод включения заключается в последовательном включении факторов в модель до тех пор, пока модель не будет отвечать заранее установленному критерию качества, например: наибольшему множественному коэффициенту детерминации, наибольшему скорректированному коэффициенту детерминации, наименьшей средней относительной ошибке аппроксимации и т.п. Последовательность включения факторов в модель определяется с помощью коэффициентов корреляции (парных или частных) между соответствующим фактором и результатом Y: факторы, имеющие больший коэффициент корреляции, включаются в модель первыми.
3. Метод всех возможных регрессий предполагает построение всех возможных регрессионных моделей и выбор лучшей из них по заданному критерию качества, например, наибольшему скорректированному коэффициенту детерминации. Данный метод применяется при малом числе факторов (три и менее), так как при наличии p факторов должно быть построено 2 p моделей. К примеру, при p =5 строится 
модели!
