Dos de tus predictores tienen una correlación de 0,95. ¿Importa eso y qué haces al respecto?

Depende de tu objetivo. Para pura predicción, la colinealidad apenas daña la precisión; el modelo simplemente reparte el peso entre los gemelos. Para inferencia es grave: los coeficientes se vuelven inestables y sus errores estándar se inflan, así que los signos pueden cambiar entre muestras y no puedes decir qué variable impulsa el resultado. Revisa los factores de inflación de la varianza y luego elimina uno, combínalos o usa ridge.

Mi primera pregunta es para qué sirve el modelo. Si estamos puntuando leads y nadie lee los coeficientes, una correlación de 0,95 es casi inofensiva. El ajuste está bien, las predicciones están bien, el peso simplemente se reparte entre las dos variables de alguna forma arbitraria. Donde muerde es cuando alguien piensa actuar sobre los coeficientes. Entonces es un problema real, porque ese reparto es inestable: reajusta sobre una muestra ligeramente distinta y un coeficiente se va a positivo mientras el otro se va a negativo, y los errores estándar son lo bastante anchos como para que ninguno parezca significativo aunque la pareja claramente importe. Reviso el VIF, y todo lo que pase de diez lo trato como sospechoso. El arreglo depende de la pareja. Si son la misma cosa medida dos veces, como ingresos e ingresos en moneda local, elimino una. Si son dos facetas genuinas de algo, las combino en un ratio o en una sola componente. Si necesito ambas y solo me importa la calidad predictiva, ridge lo maneja con limpieza repartiendo el peso de forma estable en vez de arbitraria.