（1）完全共線性下引數估計量不存在

（2）近似共線性下OLS估計量非有效

多重共線性使引數估計值的方差增大，1/(1-r2)為方差膨脹因子(Variance Inflation Factor, VIF)如果方差膨脹因子值越大，說明共線性越強。相反 因為，容許度是方差膨脹因子的倒數，所以，容許度越小，共線性越強。可以這樣記憶：容許度代表容許，也就是許可，如果，值越小，代表在數值上越不容許，就是越小，越不要。而共線性是一個負面指標，在分析中都是不希望它出現，將共線性和容許度聯絡在一起，容許度越小，越不要，實際情況越不好，共線性這個“壞蛋”越強。進一步，方差膨脹因子因為是容許度倒數，所以反過來。

總之就是找容易記憶的方法。

（3）引數估計量經濟含義不合理

（4）變數的顯著性檢驗失去意義，可能將重要的解釋變數排除在模型之外

（5）模型的預測功能失效。變大的方差容易使區間預測的“區間”變大，使預測失去意義。

需要注意：即使出現較高程度的多重共線性，OLS估計量仍具有線性性等良好的統計性質。但是OLS法在統計推斷上無法給出真正有用的資訊。