O método stepwise (regressão em etapas) combina as etapas de adição e remoção de variáveis, podendo incluir uma variável em um passo e removê-la em outro.

O método forward (seleção progressiva) inicia com o modelo simples do tipo y = β₀ + β_ix_i em que x_i é qualquer uma das cinco variáveis explicativas, escolhida pelo pesquisador.

O modelo global, y = β₀ + β₁x₁ + β₂x₂ + β₃x₃ + β₄x₄ + β₅x₅, será sempre o melhor modelo a ser selecionado, pois terá sempre o maior R².

No método backward (eliminação regressiva), o modelo começa vazio e as variáveis são adicionadas uma a uma, escolhendo sempre aquele com melhor ajuste do modelo.

O critério de informação de Akaike (AIC) não penaliza modelos com muitos parâmetros, portanto, modelos com maior valor de AIC são preferíveis.