Wielokoliczność jest stanem bardzo wysokiej współzależności lub wzajemnych powiązań pomiędzy niezależnymi zmiennymi. Jest to zatem rodzaj zakłócenia danych, a jeżeli są one obecne w danych, wnioski statystyczne wyciągnięte na ich temat mogą nie być wiarygodne.

Istnieją pewne powody, dla których występuje wieloliniowość:

Jest on spowodowany niewłaściwym wykorzystaniem czynników pozornych.

Jest to spowodowane uwzględnieniem zmiennej, która jest przetwarzana z różnych czynników w indeksie informacyjnym.

Wielokoliczność może również wynikać z nadmiarowości podobnego rodzaju czynnika.

Ogólnie rzecz biorąc, dzieje się tak, gdy czynniki te są ze sobą głęboko powiązane.

Wielokoliczność może spowodować kilka problemów. Kwestie te są następujące:

Współczynnik nawrotu w połowie drogi z powodu wieloliniowości może nie być oceniany bezwzględnie. Standardowe błędy będą prawdopodobnie wysokie.

Wielokoliczność powoduje korektę w znakach, podobnie jak w zakresie ułamkowych współczynników nawrotów, począwszy od jednego przykładu, a skończywszy na następnym.

Wielokoliczność sprawia, że ocena względnego znaczenia niezależnych zmiennych w wyjaśnianiu odmiany spowodowanej przez zmienną zależną jest żmudna.

W obliczu wysokiej wieloliniowości, interferencje pewności współczynników staną się na ogół wyjątkowo szerokie, a wgląd w nie będzie na ogół bardzo mały. Trudno odrzucić nieważne spekulacje dotyczące jakiegokolwiek dochodzenia, gdy w badanych informacjach dostępna jest wieloliniowość.

Istnieją pewne sygnały, które pomagają badaczowi wykryć stopień wieloliniowości.

Jednym z takich znaków jest to, że indywidualny wynik pomiaru nie jest ogromny, ale ogólny wynik pomiaru jest ogromny. Przy tej okazji naukowiec może uzyskać połączenie krytycznych i nieistotnych wyników, które wskazują na bliskość wieloliniowości. Załóżmy, że specjalista, po podzieleniu przykładu na dwie części, stwierdzi, że współczynniki przykładu zdecydowanie się różnią. Pokazuje to bliskość wieloliniowości. Oznacza to, że współczynniki są niestabilne ze względu na bliskość wieloliniowości. Załóżmy, że naukowiec obserwuje intensywne zmiany w modelu, w zasadzie włączając lub upuszczając jakąś zmienną. To również pokazuje wieloliniowość, która jest dostępna w informacji.

Wielokoliczność można również rozpoznać dzięki odporności i równowadze, czyli zmienności współczynnika inflacji (VIF). W przypadku braku możliwości oszacowania rezystancji poniżej 0,2 lub 0,1 i jednocześnie oszacowania VIF 10 lub więcej, w tym momencie wieloliniowość jest niebezpieczna.