我很高兴你喜欢我的回答:-)

并不是说逻辑回归中没有检测共线性的有效方法：由于共线性是自变量之间的关系，因此因变量无关紧要。

有问题的是要弄清楚逻辑回归有多少共线性太多了。David Belslely 对条件索引进行了大量工作。他发现，超过 30 的指数在一个以上变量中具有显着差异，这表明共线性会导致 OLS 回归出现严重问题。然而，“严重”始终是一种判断。或许了解共线性问题的最简单方法是证明数据中的微小变化会导致结果发生巨大变化。

[本文 http://www.medicine.mcgill.ca/epidemiology/joseph/courses/epib-621/logconfound.pdf] 提供了逻辑回归中的共线性示例。它甚至表明R检测到精确的共线性，事实上，一些近似共线性的情况会导致相同的警告：

Warning message:
glm.fit: fitted probabilities numerically 0 or 1 occurred

尽管如此，我们可以忽略这个警告并运行

set.seed(1234)
x1 <- rnorm(100)
x2 <- rnorm(100)
x3 <- x1 + x2 + rnorm(100, 0, 1)

y <- x1 + 2*x2 + 3*x3 + rnorm(100)
ylog <- cut(y, 2, c(1,0))

m1<- glm(ylog~x1+x2+x3, family = binomial)
coef(m1)

产生 -2.55、1.97、5.60 和 12.54

然后我们可以稍微扰动 x1 和 x2，将它们添加到新的 x3 并再次运行：

x1a <- x1+rnorm(100,0,.01)
x2a <- x2+rnorm(100,0, .01)
x3a <- x1a + x2a + rnorm(100, 0, 1)

ya <- x1a + 2*x2a + 3*x3a + rnorm(100)
yloga <- cut(ya, 2, c(1,0))


m2<- glm(ylog~x1a+x2a+x3a, family = binomial)
coef(m2)

这会产生截然不同的系数：0.003、3.012、3.51 和 -0.41

然而，这组自变量的条件指数并不高：

library(perturb)
colldiag(m1)

说最大条件指数是3.54。

我不知道是否有人对此进行过任何蒙特卡洛研究；如果没有，这似乎是一个很好的研究领域