问题出在解释变量之间，而不只是它们与结果的关系
多重回归试图在其他解释变量保持不变时，区分某个变量与结果的关系。如果两个变量在样本里几乎同步变化，数据就很少告诉我们“只改变其中一个”会对应怎样的结果。模型可能很容易拟合它们共同变化的方向，却难以稳定分配各自的系数。
共线性描述的是解释变量之间的线性依赖。一个变量与结果 y 高度相关，本身不是共线性的定义。两个变量都与 y 显著相关，也不能说明把它们一起放进模型后，单个系数一定精确；加入其他变量后，所回答的条件比较已经改变。
完全共线时，系数没有唯一分法
先看极端情况：样本中 x2=x1，拟合式为 ŷ=10+b1x1+b2x2，便可合并成 10+(b1+b2)x1。若总斜率需要为 3，b1=3、b2=0 与 b1=1、b2=2 会给出完全相同的预测。仅凭这份数据，无法选出唯一的一对系数。
这属于设计矩阵缺秩。软件可能省略某列或给出提示，但省略顺序并不是关于哪个变量更重要的证据。高度共线则尚未达到完全相等：系数可能仍有唯一解，却对小的观测变化非常敏感。二者应分开诊断，不能统称为“回归不能做”。
原创四点数据：每个结果只改动 0.02
取四个教学观测，依次写成 (x1，x2，y)：(1，1.01，12.90)、(2，1.99，16.30)、(3，2.99，18.70)、(4，4.01，22.10)。含截距的普通最小二乘解是 ŷ=10+3x1+0x2，预测依次为 13、16、19、22。这里完整给出了输入，结果来自可复算的代数计算，并非虚构软件截图。
现在只把 y 改为 12.92、16.28、18.68、22.12，每项变化绝对值均为 0.02，解释变量完全不变。新的最小二乘解却是 ŷ=10+x1+2x2，预测为 13.02、15.98、18.98、22.02。x1 系数由 3 变为 1，x2 由 0 变为 2，而各点预测只移动了 0.02。
为什么整体拟合能稳定，单项解释却不稳定？
两次拟合的残差都依次为 −0.1、0.3、−0.3、0.1，残差平方和均为 0.20；各自的 R² 都约为 0.996。核验最小二乘解还可检查残差分别与常数列、x1、x2 的内积均为零。四个点只是展示机制，样本太少，不能据此评价真实研究中的估计精度。
两个方程的预测差等于 2(x2−x1)。样本中两变量只相差 ±0.01，所以差很小；若外推到 x1=2、x2=4，两个方程分别预测 16 和 20，相差 4。样本内共同变化方向上的稳定，不保证离开这个狭窄范围后的预测稳定，更不保证每个系数可作独立因果解释。
VIF 衡量信息重复，不能当作自动删列按钮
对第 j 个解释变量，用其余解释变量及截距做辅助回归，得到 Rj²；方差膨胀因子 VIFj=1/(1−Rj²)。这里的 Rj² 不是主模型预测 y 的 R²。NIST 的说明指出，成对相关矩阵可能看不出某变量与多列组合之间的依赖，而 VIF 能补充这种检查。
例如辅助回归 Rj²=0.96，则 VIF=25。在同方差线性模型、保持误差方差与该变量总变异量相同的比较下，系数方差放大 25 倍，标准误放大 √25=5 倍。常见数值门槛只是进一步诊断的提醒；不能把超过某个阈值直接解释为模型无效或变量应删除。
共线性、偏误和因果识别是不同问题
在条件均值设定正确、解释变量外生且没有完全共线等条件下，高度共线本身不必导致普通最小二乘系数有偏；它主要使部分系数的方差变大。反过来，低 VIF 也不证明外生性成立。遗漏变量、反向关系、测量问题等仍可能使解释失效。
因此“主模型 R² 很高，但某些单项检验不显著”并不自相矛盾：模型可能能共同解释 y，却缺少分别识别各项关系的独立变异。应结合单项区间、联合检验及研究目标判断，不能仅凭某个系数符号改变，就宣布一种变量产生了相反的真实作用。
诊断练习：标准化能把问题消掉吗？
题一：把上述 x1、x2 分别减去均值、再除以标准差，是否能消除它们几乎同步变化的问题？答案是否。非退化变量的标准化不改变这两个变量的相关系数绝对值；它改变单位，有时改善数值计算，却没有增加新的独立观测信息。仅对它们中心化同样不能解除这种数据共线性。
题二：若辅助回归的 Rj² 从 0.96 降至 0.75，VIF 变为多少？答案为 4，标准误膨胀倍数变为 2；不能说标准误变为原来的四分之一，比较前后应是 2/5，且必须保持前述其他量不变。真实增删变量时这些量常会改变，所以这只是受控公式练习。
处理前先决定：你要预测，还是解释单个系数？
先排查重复列、单位换算副本及编码错误，再查看散点图、辅助回归与系数区间。若理论上确属重复测量，可以有依据地选择指标或构造组合；若变量承担必要的调整作用，不能只为降低 VIF 而删除。增加样本也要带来有用的独立变化，重复采集同一条狭窄关系未必解决问题。
以预测为目标时，可考虑合适的正则化并进行样本外验证，但要说明它改变了估计方式并可能引入偏差。以解释为目标时，应诚实报告哪些系数组合较稳定、哪些单项区间较宽，以及数据能支持的比较范围。诊断的终点是更清楚的结论边界，而不是一个更好看的数值。
参考资料
下一步
如果想练习判断系数变化的原因，可说明研究问题、变量定义和已做的诊断，咨询合适的统计或计量课程支持。具体辅导须视学科与导师可用时间安排。