共线性是指信息具有重叠关系，比如X1为身高，X2为体重，二者具有一定的信息重叠，身高和体重都可以表示身体的轮廓情况。当共线性问题过于严重时，比如某两项之间相关系数大于0.8甚至0.9时，那么进行某些分析（尤其是回归分析，比如线性回归，二元logit回归等等各类回归研究方法时）时，会对模型带来影响，严重情况时会导致模型无法拟合出结果。因而应该重视共线性问题。

通常情况下，共线性问题的表现是两两项之间具有高度的相关关系，比如相关系数大于0.8。还有一种情况是绝对的共线性，即二者相关系数值为1，即信息具有绝对的重叠性，比如类别数据进行哑变量处理后，并没有少放一个参照项到模型中，即会导致模型出现异常等。

共线性问题分析的判断标准上，通常有两种，分别是Pearson相关系数和VIF法。二者的数学原理均是判断信息重叠情况，但二者出来分析出来的结论可能并不相同。如果是Pearson相关系数法，通常以其绝对值大于0.8作为标准，如果是VIF值法，通常以VIF值>10作为判断标准。

本文档出于演示需要，首先准备一份数据，共有10个X，1个Y，并且进行二元Logit回归。操作如下图所示：

第1次操作时，SPSSAU提示数据质量异常。猜测很可能有共线性问题等，但当前共有10个X和1个Y，具体共线性问题是什么并不知道，因而使用共线性分析。操作如下图所示：

• 提示：

• 关于共线性标准这个参数，SPSSAU默认以Pearson相关系数绝对值>0.8作为共线性标准，并且进行智能分析和共线性项标识。

• 当发现模型（比如二元logit回归等各类回归方法）出问题时，建议将所有的分析项，一次性放入‘共线性分析’对应的分析框中，并且越重要的分析项放在越前面，比如当前有1个Y和10个X，Y是最重要的，因而将其放在最前面，10个X依次放入即可。放置顺序不同，会影响到SPSSAU提供的智能分析建议也跟着变化。

最终共线性分析后得到下图：

图中使用红底色标识出共线性问题的项，从图中可以‘横向’看时，X2和X8与其它项出现相关系数绝对值为1，即绝对共线性问题，此两项一定需要从模型中移除出去。当然也可以‘纵向’看时，X1和X2与其它项出现相关系数绝对值为1即绝对共线性。至于移除X1和X8，也或者X1和X2，事实上两种处理均可。因为移除后就不会继续存在绝对共线性问题。

当然也可以查阅SPSSAU提供的智能分析文字，里面会有详细的分析说明，SPSSAU当前操作的智能分析建议如下：

SPSSAU建议将X8，X8，X4，X6共四项从模型中移除出去，将该4项移除后再次进行二元logit回归，此时模型不再存在严重的共线性问题，因而可以拟合输出正常结果。

在实际研究中，有可能某些变量很重要不愿意移除，此时建议先移除一些‘具有严重共线性并且相对不那么重要’的项，逐一分别进行，结合SPSSAU提供的建议重新构建模型，最终完成分析。

与此同时：也可结合VIF标准进行判断共线性问题，当然VIF值标准的结果与Pearson相关作为标准的智能分析建议很可能不一样，因而二者分析同样的问题但数学原理并不完全一致，但通常结合Pearson相关系数进行共线性分析即可。本次案例SPSSAU输出VIF值指标结果如下图：

上图显示，X1,X4和X6的VIF值>10，SPSSAU也提供智能化建议为将该3项从模型中移除出去。事实上从上图可以看到，X2和X8的VIF值也比较奇怪（基本上接近于0），此种情况下可自行考虑将此类奇怪的项移除出去。当然也可以先按照SPSSAU提供的建议处理一次，重新进行二元logit回归，如果还是出现各种异常问题等，此再次以新的分析项为准，重新进行共线性分析，结合智能分析建议处理和分析即可。

本案例数据时，如果是移除X1，X4和X6后，余下7个X进行二元logit回归，依旧提示质量异常模型无法拟合出结果，因而再次分析，结果显示还需要移除X8，再次把X8移除后分析即可正常输出模型结果。