Мультиколлинеарность является серьёзной проблемой при разработке прогностических моделей, потому что приводит к неточным и ненадёжным расчётам коэффициентов регрессии. 5

Это происходит из-за того, что при сильной корреляции двух регрессоров в выборке они, как правило, меняются одновременно, и трудно отличить влияние одного регрессора на зависимую переменную от влияния другого. 2

Некоторые другие последствия мультиколлинеарности:

• Большие дисперсии оценок (стандартные ошибки). 1 Это затрудняет нахождение истинных значений определяемых величин и расширяет интервальные оценки, ухудшая их точность. 1
• Уменьшение t-статистик коэффициентов. 1 Это может привести к неоправданному выводу о существенности влияния объясняющей переменной на зависимую. 1
• Оценки коэффициентов и их стандартные ошибки становятся очень чувствительными к малейшим изменениям данных, то есть они неустойчивы. 1
• Затрудняется определение вклада каждой из объясняющих переменных в объясняемую уравнением регрессии дисперсию зависимой переменной. 1
• Возможно получение неверного знака у коэффициента регрессии. 1