经验法则可能会说，只有当两个变量相关性高于 0.9 或更高时，多重共线性才是问题。如果您的两个潜在变量相关性如此之大，甚至在 0.7 / .8 的范围内，那么在预测第三个变量之前您就会遇到问题：您的测量模型似乎没有很好地定义。例如，也许将两个潜在的模型只建模为一个会更好？我会更关心测量模型而不是多重共线性。

潜在变量模型仅用于尝试比简单地聚合项目更可靠地估计基础结构。因此，在模型的结构部分（即回归）中，应用与标准回归中相同的问题。

除了在极端情况下（例如，大于 1 的标准化回归系数），没有明确的截止值。但是可以将截止值解释为标准回归。例如，有些人认为 >5 或 >10 的 VIF 是有问题的，但如果您在控制其他变量后对 DV 上一个变量的影响感兴趣，那么这些数字将非常宽松（https://doi.org /10.1081/QEN-120001878）。

需要注意的一点是，尽管在标准回归中计算 VIF 很容易，并且许多包/程序会自动执行此操作，但在潜变量模型中并不容易。变量 VIF 的计算需要对回归中的所有其他预测变量进行回归，这在潜变量模型中意味着这必须在潜变量模型中完成。由于这种复杂性，这不容易自动化（据我所知还没有完成）也就不足为奇了。

另请注意，多重共线性实际上更可能是潜在变量模型中的问题，而不是仅将项目添加在一起时，因为您大大减少了估计中包含的误差，从而增加了相关构造之间的相关性。

如果您检测到有问题的多重共线性，该怎么办会因具体情况而异。在大多数情况下，更改测量模型可能是可取的，但在某些情况下，这样的课程可能没有意义。在这种情况下，您可能会被建议删除一个或多个变量。