各位少侠&女侠们：
我在看贾平俊的《统计学---基于R》（第二版）时候发现了一个现象：P272 关于共线性识别书中列举了4中方法：
其中第1种： 检验自变量之间的关系系数（书中内容如下）
按照文中的说法：“由上图种的P值显示，这5个变量种，只有X5 与其他4个自变量之间的关系不显著，而其他4个自变量两辆之间均显著相关” 继而得出结论：“多元线性回归种可能存在多重多重共线性。的情形
而书中接下来介绍了另一种检验方法：容忍度 & 方差膨胀因子（书中结果如下）
继而书中得出结论”容忍度均大于0.1，VIF均小于10，这说明本例建立的回归模型共线性并不严重
针对书中的表述，由以下困惑：
1.在方法一中，作者是因何断言“由上图种的P值显示，这5个变量种，只有X5 与其他4个自变量之间的关系不显著，而其他4个自变量两辆之间均显著相关”的？ 判断“显著”的标准是什么？
2.两种判断方法之间存在一定的矛盾性：一个说存在共线性问题，（言外之意需要修正模型）；另一个则说模型共线性并不严重（言外之意：可以不修改模型），那么作为模型的使用者，我们该怎么应对？
感谢！报拳！
分享
以下回答参考 皆我百晓生、券券喵儿 等免费微信小程序相关内容作答，并由本人整理回复。
要解决这个问题，我们可以根据你的需求来提供详细的回答。然而，我必须提醒你，由于缺乏具体的上下文信息，我无法直接为你提供代码示例。不过，我可以帮助你理解如何使用R语言来解决这个问题。
显著性是指在一个特定的数据集中，某个变量与其它变量之间的关系是否显著。在这个例子中，“显著”通常指的是两个或多个变量间的线性关系非常强，以至于它们对解释因变量的影响几乎相同。如果两个或更多的变量间的关系非常强且相似，这意味着它们可能具有高度的相关性。
首先，你需要明确的是，在这个例子中，"显著性"是指每个变量与其他所有其他变量之间的关系是否显著。这意味着即使某两个变量之间的关系非常强，但它们与第三个变量之间的关系同样强烈，也视为显著。这是因为这些变量被同时考虑在一起分析。
在第二个方法中，vif()函数用于计算方差膨胀因子（VIF）。VIF是一个衡量模型中自变量间相关程度的指标，它定义为模型中所有自变量与残差平方和比的倒数。当VIF值大于1时，意味着有较高的VIF值，这表明存在严重的多重共线性问题。
对于解决方案的选择，主要取决于你的研究目的和数据特征。如果你的目标是确保模型有足够的解释能力，避免过拟合，并且你认为共线性不会导致模型失效，那么可能不需要修正模型。相反，你可以选择保留共线性较高的自变量，因为它们有助于提高预测准确性。
下面是一个简单的示例，展示如何使用R语言进行共线性检查和模型评估。
# 加载必要的包
library(psych)
library(car)
# 创建数据集
data <- read.csv("your_data.csv")
# 建立模型
mod1 <- lm(y ~ x1 + x2 + x3 + x4 + x5, data = data)
# 计算VIF
vif(mod1)
通过上述步骤，你可以了解模型中是否存在共线性以及其严重程度。然后，你可以决定是否需要调整模型以减少共线性的问题。
希望以上信息对你有所帮助！如果你有更具体的问题或需要进一步的帮助，请随时告诉我。
分享
