在实际研究中，确定方差膨胀因子（VIF）的阈值没有固定的规则，而是根据具体的研究背景、数据特性和模型要求来决定。以下是一些因素，研究人员可能会根据这些因素来设定VIF的阈值：

不同的学科领域可能有不同的共线性容忍标准。例如，在社会科学领域，由于数据往往较为复杂且变量间关联密切，较高的VIF（如10）可能被接受。而在一些需要高精度预测的技术和科学领域，可能更倾向于使用更低的VIF阈值（如5或更低）。

如果可用的数据量较少或者数据质量较差，研究人员可能会选择一个较低的VIF阈值，以避免共线性对模型结果的负面影响。

如果模型的主要目的是预测而不是解释变量之间的关系，一些研究可能会容忍较高的VIF值，因为预测精度可能不会受到轻微或中等共线性的显著影响。但如果目标是解释特定变量的影响，那么较低的VIF阈值会更加重要，以确保模型参数的解释有效性。

在一些复杂的模型或机器学习算法中，例如使用正则化（如岭回归或Lasso）的情况，可以较好地处理一定程度的共线性，因此在这些情况下，对VIF的严格要求可能会有所放宽。

有时候，设定VIF阈值也依赖于领域专家的经验和判断。通过对历史数据和类似研究的分析，研究人员可能会基于经验选择一个合适的VIF阈值。 在具体研究中，研究人员可能会首先使用VIF大于10作为初步诊断共线性的标准，然后根据模型的表现和上述因素调整阈值，以优化模型的稳健性和解释能力。 最后，重要的是要进行敏感性分析，检查VIF阈值的选择对模型结果的影响，从而确保模型的可靠性和结论的有效性。

在不同领域中，对方差膨胀因子（VIF）的参考阈值存在一定的差异。以下是一些常见的领域和其通常使用的VIF阈值，这些阈值有助于指导研究人员在进行统计分析时判断共线性的程度。

通常阈值：10 理由：这些领域的数据往往涉及时间序列或横截面数据，其中变量间的自然关联性较强，因此在一定程度上可以容忍较高的VIF。

通常阈值：5到10 理由：社会科学研究中的数据通常包括多种人口统计变量和调查数据，这些数据间的相关性可能较高。阈值设定较宽泛，以适应数据的多样性。

通常阈值：5或更低 理由：在这些领域中，研究人员通常更关注变量之间的精确关系和影响，因此倾向于使用较低的VIF阈值以确保模型的精确性和可解释性。

通常阈值：5到10 理由：环境数据可能受到多种因素的共同影响，而且往往是高度相关的，例如温度与湿度。适当提高VIF阈值以适应这种自然的数据关联性。

通常阈值：5 理由：在心理学研究中，常常处理调查数据和实验数据，高度重视变量间关系的解释，因此通常使用较低的VIF阈值来确保分析的有效性。

通常阈值：可以变动较大，依具体情况而定 理由：在技术和工程领域，特别是在涉及大数据和机器学习的情境中，可能因为采用了特殊的处理技术如正则化，而对VIF的要求不是非常严格。