强相关的预测因子，或更普遍地说，线性相关的预测因子，会导致估计不稳定。什么是“线性相关的预测因子”？这仅仅是指一个变量可写成另一个变量的线性函数。例如，如果X2=3*X1+6，变量X1和X2将为线性相关。这是一个非常简单的线性相关性的示例，但通过该示例您可以看到，只要知道X1的值，您就会自动知道X2的值。因此，作为预测因子，如果X1已包括在内，则X2不会向模型添加新的信息。

在预测建模中，将该问题称为多重共线性。在极端情况下，如果模型中的两个X列完全相等，则优化算法无法确定任一列的系数估计值。这是因为有无限多的解决方案。如需更清楚地查看这一点，考虑一个简单的情况，其中估计的逻辑回归模型是logit（Y）=1+2*X1。现在，假设我们创建了X2，其是X1的一个重复数，并尝试用两个预测因子重新拟合模型。预测模型可以用许多等效的方式来表示，例如：

logit（Y）=1+X1+X2

logit（Y）=1+2*X1

logit（Y）=1+0.5*X1+1.5*X2

事实上，存在无限多的方式可以用不同的系数重写该方程。在统计学中，该模型被称为不可识别。在这种极端情况下，无法计算标准误差、置信区间和P值。

事实上，更常见的是预测因子列是强相关的，但不是完全相关的。尽管在此情况下，Prism会产生估计值，但也会出现类似问题。多重共线性增加了参数估计值的不确定性，从而增加了置信区间和P值。

如果您唯一关心的是预测，则标准误差较大实际上不是问题。然而，如果您对解读系数估计值的大小感兴趣（例如，X1越大，成功的概率越高），则多重共线性是一个问题。

在Prism中，可使用方差膨胀因子（VIF）评估多重共线性。一般的经验法则是，VIF大于10表示强多重共线性。在此情况下，您可能想要移除一个具有较高VIF的列，重新拟合模型并在必要时重复。在此处对VIF进行更详细的描述。

您也可选择让Prism输出相关矩阵。这以矩阵形式呈现了预测因子之间的成对相关性。与模型中其他变量高度相关的变量将导致产生估计标准误差、置信区间和P值的问题。