容忍度（Tolerance）= 1 / VIF，与 VIF 互为倒数，两者看一个即可。
本页只回答"VIF 多大算共线性"这一数值问题。如需了解共线性诊断的完整操作步骤，请看 共线性诊断怎么做 →
| VIF 范围 | 容忍度（Tolerance） | 共线性程度 | 建议 |
|---|---|---|---|
| VIF < 5 | Tolerance > 0.2 | 良好 | 无需处理，共线性影响可以忽略 |
| 5 ≤ VIF < 10 | 0.1 < Tolerance ≤ 0.2 | 中度，需关注 | 结合理论背景和回归系数稳定性判断；若系数方向异常则处理 |
| VIF ≥ 10 | Tolerance ≤ 0.1 | 严重共线性 | 应处理：删除变量、合并指标、使用岭回归或逐步回归 |
VIF 的"严重共线性"分界并不是全球统一标准，不同学科的惯例存在差异：
| 领域 | 常用严重共线性阈值 | 说明 |
|---|---|---|
| 社会科学 / 管理学 / 心理学 | VIF > 10 | 最主流标准，来源于 Hair et al.（2010）多元数据分析经典教材 |
| 计量经济学 / 金融 | VIF > 5（部分用 >10） | 部分研究者采用更严格的 5 为分界，以确保系数估计稳健 |
| 生物医学 / 流行病学 | VIF > 10（部分宽松） | 复杂模型中有时允许更高 VIF，以 logistic 回归为主 |
| 机器学习 / 预测建模 | 通常不检验 VIF | 预测任务中共线性不影响整体预测精度，解释系数才需关注 |
实际操作建议：先看 VIF 是否超过 10（主流严格线），若未超过 10 但超过 5，再结合回归系数方向、标准误大小和专业理论判断是否处理。
在 chatspss.cn 上传数据后，对话框输入：
"做多元线性回归，检验共线性，输出每个变量的 VIF 和容忍度""我的回归分析出现了共线性，VIF 超过了 10，帮我诊断哪些变量有问题""帮我做逐步回归筛选变量，并输出最终模型的 VIF"
chatspss 会自动输出：
相关分析方法：
没有绝对的"必须处理"分界线，但通行做法是：VIF 超过 10 时应认真对待，通常需要采取措施；VIF 在 5–10 之间时应结合理论背景判断；VIF 低于 5 时一般无需处理。交互项和多项式项因本身与主效应高度相关，VIF 偏高属正常现象，可先中心化再判断。
容忍度 = 1 / VIF，两者互为倒数，反映的是同一件事。VIF 大于 10 等价于容忍度小于 0.1；VIF 大于 5 等价于容忍度小于 0.2。SPSS 和 chatspss 同时输出这两个指标，看一个即可，选你更习惯的那个。
正常。交互项（X×Z）与主效应项（X、Z）天然高度线性相关，导致 VIF 偏高是结构性原因，不代表模型有问题。标准做法是在构建交互项之前对 X 和 Z 做均值中心化处理，中心化后乘积项的 VIF 通常会大幅下降，可以再做一次共线性诊断。
共线性主要影响：① 回归系数的标准误会虚增，导致 t 检验统计量变小、p 值偏大，本来显著的变量可能变得不显著；② 回归系数的方向可能出现反转或不稳定；③ 模型整体的 R² 和 F 检验受影响较小，但单个预测变量的解释力无法准确分离。注意：共线性不影响模型的整体预测准确性，但会严重干扰对单个变量作用的解读。
不完全一样。社会科学和管理学通常以 VIF 大于 10 作为严重共线性的判断线；部分计量经济学研究采用更严格的 VIF 大于 5 标准；生物医学领域有时允许 VIF 略高。具体阈值应参考所在领域的期刊惯例和导师要求，本页表格中列出的"通用"与"严格"两档可覆盖大多数场景。
取决于研究目标：如果目标是解释单个变量的独立作用，删除冗余变量或合并为综合得分更清晰；如果目标是整体预测准确率，岭回归能在保留所有变量的同时压缩不稳定系数。逐步回归也常用于筛选变量，但需注意其统计推断局限性。