Metoda krokowa (ang. stepwise regression) – to technika automatycznego wyboru zmiennych niezależnych do modelu regresji. Łączy elementy selekcji postępującej (forward selection) oraz eliminacji wstecznej (backward elimination), ponieważ w kolejnych krokach może zarówno dodawać, jak i usuwać predyktory.  W metodzie krokowej skład modelu zmienia się iteracyjnie – po dodaniu nowej zmiennej ponownie ocenia się również te, które już znajdują się w modelu. 

Procedura zwykle rozpoczyna się od prostego modelu bazowego, najczęściej bez predyktorów lub z zestawem zmiennych wymuszonych przez badacza. Następnie wybierana jest zmienna, która najbardziej poprawia dopasowanie modelu. Po jej dodaniu sprawdza się, czy któryś z wcześniej uwzględnionych predyktorów nie przestał spełniać kryterium pozostania w modelu. Jeśli tak, może zostać usunięty.

Kryteria dodawania i usuwania zmiennych mogą opierać się m.in. na wartości p, statystyce F z testu ANOVA lub kryteriach informacyjnych, takich jak AIC. Konkretna procedura zależy od zastosowanego programu i ustawień analizy.  Metoda krokowa różni się od czystej selekcji postępującej tym, że zmienna wcześniej włączona do modelu może zostać później ponownie usunięta.  Metoda ta może być użyteczna, gdy dostępnych jest wiele potencjalnych predyktorów i potrzebne jest szybkie uzyskanie prostszego modelu. Nie należy jednak traktować jej jako automatycznego sposobu identyfikowania „najważniejszych” zmiennych. Wynik zależy od konkretnej próby, przyjętych progów selekcji oraz zależności między predyktorami.

Szczególnym problemem może być współliniowość. Silnie skorelowane predyktory mogą wzajemnie wpływać na swoje współczynniki i istotność, przez co niewielka zmiana danych może prowadzić do wyboru innego zestawu zmiennych.   Modele uzyskane metodą krokową mogą być niestabilne i nadmiernie dopasowane, dlatego ich jakość warto sprawdzać na niezależnych danych lub z wykorzystaniem walidacji krzyżowej.[/su_highlight