多重共线性：回归模型中，两个或者两个以上的自变量彼此相关时，称回归模型中存在多重共线性。

为什么多重共线性会导致一系列问题呢？试想一下，假如两个变量完全共线性，设两个变量为A,B.那么A=xB，x是常数。如果把这两个变量带入回归方程，由于一个变量完全可以用另外一个变量乘以一个常数来表示，带入两个变量，就需要给他们分配系数，怎么分配呢，显然有很多种可能，而计算机并不知道哪一种是最好的，但是在输出结果时，它会给你一种，管它是不是你想要的呢，它只关心跑完了自己的程序。现实中的共线性问题一般不会是完全共线性，但有时候共线性问题会很严重，具体有相关指标，请看下面其他内容。

多重共线性导致的问题：
1）线性关系显著（F检验显著，或者回归关系显著），大部分回归系数却不显著；
2）回归系数的符号与理论或者预期不符合。

多重共线性的识别：

1）各自变量之间显著相关（使用散点图矩阵和相关系数矩阵）
2）线性关系检验显著（F检验显著），各自变量系数却大多数不显著
3）回归系数正负号与预期相反
4）容忍度（tolerance）小于0.1或者方差扩大因子（VIF）大于10，认为存在严重共线性

多重共线性问题的处理

1）删除相关性很强的两个自变量中的一个，或者删除多个相关性很强的自变量中的几个变量；
2）提取主成分，将多个相关性很强的变量包含的信息浓缩到一个变量中；

什么时候可以不关心多重共线性问题呢？

1）模型不是用来解释现实事物之间的关系，因此不用进行系数的检验，不用考虑多重共线性问题；
2）利用回归方程在自变量样本值范围内预测因变量（注意自变量的取值只能在自变量最小值和最大值范围内）由于是进行预测，只关心结果，不考虑过程。