我们许多复杂的链接都包含许多变量。通过简单的划分，如果我们有100个，则环保企业vi设计公司每个人平均只会影响总影响力的1％。然后，当我们向客户展示模拟器时，他们感到惊讶的是，将100个输入变量之一乘以1个评分标度点的一半会导致结果太小而无法引起高级管理层的兴趣或引起他们的兴趣。像其他潜在问题一样，最好在设计阶段修复此问题–尽可能减少预测模型中的变量数量。

我们可能将一些事务调查与关系调查联系起来，并将关系调查与某些结果度量联系起来。螺栓连接本身包含错误，这是两个不同过程的结果：

• 事务调查和关系调查是在不同的上下文中进行的，即使它们的措辞相同，其中的问题也可能会因所询问的上下文而有所偏差。可能没有办法解决这个问题，但是要意识到这一点并使上下文尽可能相似是值得的。

• 包含交易和关系调查的样本可能非常不同，并且以复杂的方式很难通过简单的权重进行分类。仅举一个例子，许多交易调查会进行基于频率的抽样（例如，频繁的客户会收到更多调查），而关系调查则不会。

• 与生动的术语相类推的可能是，不同的上下文和采样效果意味着螺栓太紧，在孔中摆动，而连接到螺栓的螺母的螺纹尺寸错误，可能方向相反。结果，应该尽量减少链接模型中内置的螺栓数量。

当环保企业vi设计公司跨受访者查看两个或多个变量一起上下移动时，就会发生多重共线性。如果在三个零售属性“宽走道”，“光线充足的停车场”和“广泛选择”之间发生多重共线性，那么当三个属性中的任何一个较高时，三个属性均趋于高，而当任何一个属性较低时，则趋于低。 –即它们是高度相关的。因此，当我们要模拟“宽通道”的改进时，例如，如果我们仅以不发生这种情况的方式对其进行模拟（就其本身而言，其他两个属性的得分都没有增加），我们就是在惩罚该属性，相对于自然界（或我们的数据集中）的发生方式。

多重共线性会导致一系列技术问题，最重要的是，这会导致模型变得不稳定–在模型所产生的重要性中增加了误差，使结果可能极具误导性（某些重要性可能比应有的要小得多） ，而其他的可能更大）。

多重共线性问题的最佳解决方案是将其固定在研究的设计阶段：仔细地预先测试和构建属性列表以完善其心理计量特性。另外，我们可以选择在链接模型中的重要性权重基于有效的已声明重要性重要性度量，例如最佳最坏缩放，Q排序，成对比较方法或恒定总和缩放。如果我们不尝试从受晕轮影响的高度相关的预测变量中得出重要性，则多重共线性问题就消失了。

受访者彼此不同。环保企业vi设计公司有不同的口味和喜好以及快捷按钮。您可以想象，如果我们能够为每个受访者建立一个单独的重要性模型，那么人们对不同属性的权重将有所不同，这就是受访者异质性的含义。

当我们运行派生的重要性模型时，环保企业vi设计公司获得了一组属性重要性权重，这些权重代表了所有受访者的平均重要性。当然，这个平均值可以掩盖一些非常重要的差异。实际上，平均值可能根本代表不了任何受访者。