数据分析shujufenxi.com

回归/心理

多重共线性怎么判断：VIF 与容忍度

作者 / 审校：shujufenxi 编辑部·最后审校 2026-05-13

你遇到的问题

你的多元回归里几个自变量彼此高度相关，结果系数符号和常识相反、标准误特别大、单个变量本该显著却不显著，你怀疑是多重共线性作怪，却不知道用什么指标去判断、超过多少算严重。

适用场景

多重共线性诊断适用于含多个自变量的回归分析，用于判断预测变量之间是否高度线性相关。当自变量间相关过强时，回归系数估计变得不稳定、标准误膨胀，此时需要在正式解读系数前先做共线性诊断。

正确做法

先看自变量间的相关矩阵，若某两变量相关系数绝对值超过 .80 需警惕。再看方差膨胀因子 VIF 与容忍度 Tolerance（二者互为倒数）：一般 VIF > 10（较严格时 > 5）或 Tolerance < 0.1 提示存在严重共线性。发现问题后可删除冗余变量、将高度相关的变量合并为综合指标，或改用岭回归等方法。

报告示例：共线性诊断显示，感知有用性与感知易用性的 VIF 分别为 12.4 和 11.8，容忍度均低于 0.10，二者相关高达 r = .86，存在严重多重共线性。将两者合并为「技术接受度」综合指标后重新回归，各自变量 VIF 均降至 2.0 以下，模型系数趋于稳定。

常见错误

错误一：只看单个自变量与因变量的相关，忽略自变量之间的相关，完全不做 VIF／容忍度诊断就解读系数。错误二：机械套用 VIF > 10 的红线，对 VIF 在 5 到 10 之间、系数已明显异常的情况视而不见，或发现共线性后不做任何处理照旧报告不稳定的系数。

需要更进一步？

如果你拿到一列 VIF 和容忍度却判断不了严重程度，可以把回归的共线性诊断表粘贴进统计结果解读器，它会逐个标出超标变量并给出处理建议；若删变量会损失关键理论构念、需要在合并与岭回归间权衡，建议预约辅导。

操作步骤

SPSS

  1. 分析→回归→线性
  2. 将因变量与各自变量移入相应框
  3. 点「统计量」勾选「共线性诊断」
  4. 点「确定」，在「系数」表读取每个自变量的容忍度与 VIF
  5. 若 VIF＞10（或容忍度＜0.1），对相关变量作中心化或剔除后重新运行并对比

R

# 多重共线性诊断
library(car)
df <- read.csv('data.csv')
fit <- lm(y ~ x1 + x2 + x3, data = df)
vif(fit)  # 各自变量 VIF，容忍度 ＝ 1 / VIF
fit2 <- lm(y ~ scale(x1) + x3, data = df)  # 中心化并剔除冗余变量
vif(fit2)

完整示例（模拟数据）

回归模型中检查三个自变量的多重共线性，并进行处理前后对比（标注：模拟数据样例）。

共线性诊断显示，初始模型中自变量 X1 的方差膨胀因子 VIF＝8.52（容忍度＝0.117），已逼近严重多重共线性的临界标准。对 X1 与 X2 进行中心化处理并剔除冗余变量后重新拟合，所有自变量的 VIF 均降至 2 以下（X1 的 VIF＝1.83，容忍度＝0.546），表明共线性问题已得到有效缓解，回归系数的估计更为稳健。

统计量数值
处理前 VIF（X1）8.52
处理前 容忍度（X1）0.117
处理后 VIF（X1）1.83
处理后 容忍度（X1）0.546

常见疑问

VIF 多大算存在多重共线性？
常用经验标准是 VIF > 10 提示严重多重共线性，较严格时以 VIF > 5 为警戒线；VIF = 1 表示该预测变量与其他变量不相关。
VIF 和容忍度 Tolerance 是什么关系？
容忍度（Tolerance）= 1/VIF，是 VIF 的倒数；Tolerance 越小（如 < 0.1）共线性越严重，二者反映同一信息。
多重共线性会带来什么问题？
多重共线性使回归系数估计不稳定、标准误增大、系数符号可能反常，导致单个预测变量的显著性和解释难以信赖，但通常不影响整体预测精度。
发现多重共线性该怎么处理？
可删除或合并高度相关的变量、对变量做中心化（尤其含交互项时）、采用主成分或岭回归等方法，或增大样本量来缓解。

参考来源

用统计结果解读器生成结果段落预约辅导

工具输出请自行核对后使用。内容参考见 方法论标准。

相关文章

← 返回知识库