在如今这个大数据时代,回归分析在各个领域中的应用是越来越广泛,经济、社会、医学、生物信息学等都有它的身影。但在研究回归分析中的线性模型时,会因为自变量之间存在多重共线性的现象从而导致模型的不稳定,甚至会出现回归系数与实际意义不相符的问题。这就需要找到解决线性模型中的多重共线性问题的方法。本文从理论和实验模拟两个方面介绍了用岭估计法解决线性模型的多重共线性问题,首先介绍了多重共线性的诊断方法,如:直观判定法、特征根判定法、方差膨胀因子法、条件数判别法等,用来得知哪些模型是存在多重共线性的,并列举了具体实例,其次介绍了解决的方法,如:剔除不重要的变量、增加样本量、回归系数的有偏估计等,着重介绍的是岭估计法,本文介绍了岭估计的概念、基本思想、性质、岭参数k的选择方法,特别地把广义岭估计、泛岭估计也应用到解决多重共线性问题中来。最后通过实例来验证本文的理论,通过数据利用SAS编写程序,发现变量之间存在多重共线性,并利用岭估计方法建立模型并使模型优化从而解决问题,本文列举了医学方面血红蛋白与微量元素的含量之间的关系,通过对数据的分析及与逐步回归分析的结果分析比较得出岭估计法更加优异;通过考察进口额与国内总产值、储蓄、总消费之间的关系发现原模型由于变量之间的多重共线性而与经济理论不符,用岭估计法解决多重共线性问题之后回归系数的符号与经济理论相一致,并且与偏最小二乘法比较,结果显示岭估计法是优于偏最小二乘法的,验证了岭估计法的优越性;同时用岭估计法也可以预测民航客运量的变化趋势。从几个应用的结论得出,岭估计法能更好的减小多重共线性问题对模型的影响,直观的看出改进的地方,从而使模型更加的稳定。