强相关预测因子，或者更笼统地说，线性依赖度预测因子，会造成估计的不稳定性。什么叫 "线性依赖度预测因子"？简单地说，就是一个变量可以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 将是线性依赖度变量。这只是线性依赖度的一个非常简单的本示例，但通过这个例子，你可以看到，只要知道 X1 的值，就能自动知道 X2 的值。因此，作为一个预测因子，如果 X1 已经包含在模型中，X2 就不会给模型增加新的信息。

在预测建模中，这个问题被称为多重共线性。在极端情况下，如果模型中的两个 X 列完全相等，优化算法就无法确定任何一列的系数估计值。这是因为存在无限多的解。为了更清楚地理解这一点，请考虑一个简单的案例，即估计的逻辑回归模型为 logit(Y) = 1 + 2*X1。现在，假设我们创建了 X2，它是 X1 的复制品，并尝试用这两个预测因子重新拟合模型。预测模型可以用多种等价方式表示，例如

logit(Y) = 1 + X1 + X2

logit(Y) = 1 + 2*X1

logit(Y) = 1 + 0.5 * X1 + 1.5 * X2

事实上，这个等式有无数种方法可以用不同的系数重新书写。在统计学中，这个模型被称为不可识别模型。在这种极端情况下，标准误差、置信区间和 P 值都无法计算。

在实践中更常见的情况是预测因子列具有强相关性，但并非完全相关。虽然 Prism 可以在这种情况下生成估计值，但也会出现类似的问题。多重共线性会增加参数估计的不确定性，从而增加置信区间和 P 值。

如果您只关心预测，那么标准误差大实际上并不是问题。但是，如果您有兴趣解读系数估计值的大小（例如，X1 越大，成功的概率就越高），那么多重共线性就是一个问题。

在 Prism 中，您可以使用方差膨胀因子（VIF）来评估多重共线性。一般经验法则是，VIF 大于 10 表示多重共线性很强。在这种情况下，您可能需要移除其中一列 VIF 值较高的列，重新拟合模型，必要时再重复一次。此处对 VIF 有更详细的描述。

您还可以选择让 Prism 输出相关矩阵。这将以矩阵形式显示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会给估计标准误差、置信区间和 P 值带来问题。