这取决于上下文。在计算上，只有 +/- 1 的相关性是有问题的，因为这样就没有 OLS 标准的唯一解。预测变量之间非常强的相关性可能会夸大标准误差。这表明参数估计随着多重共线性变得不那么精确。预测准确性通常不会因此受到太大影响，但如果您想进行推理（例如，显着性检验），它可能会成为更大的问题。如果预测变量的相关性非常强，那么最好只为回归模型选择最好的预测变量，或者先进行某种降维（例如，PCA）。

通常使用方差膨胀因子 (VIF)来确定某些变量是否（太）强相关。VIF = 10 是公认的包含/排除变量的阈值。因此，具有“太高”相关性的变量也应从线性回归（“OLS”）中排除，如此处和此处所述。

多重共线性不一定是回归的问题，它只是生活中的一个事实。除非您可以使用设计的实验，否则“本质上”的变量通常是相关的，您必须忍受它。当然，如果自然是正交（统计）的生活会更简单......

所有这些都在我们的姊妹网站 Cross Validated 上进行了很多讨论，例如参见多重共线性真的有问题吗？

一个经济学博客取笑不必要地关注共线性是在多重共线性和微数值 14。

以下论文很好地解释了删除变量的权衡。

见（2005 年）。多重线性回归中抑制和多重共线性的图形视图。美国统计学家：卷。59，第 2 期，第 127-136 页。

附录：论文研究了共线性效应和模型拟合之间的平衡行为，即回归中的抑制和增强效应是否抵消共线性问题。