Colinéarité variables qualitatives (pour régression logit)

Bonjour,

Je travaille sur des régressions logistiques (avec R sur une base de 3000 individus) et les résultats que j'obtiens ne sont pas bons :
- les déviances résiduelles me paraissent énormes ;
- même chose pour les AIC ;
- les pseudos R² sont faibles.
Il y a vraisemblablement un problème avec mes variables explicatives et je me demande si certaines ne sont pas colinéaires.

Or toutes mes variables ne sont pas quantitatives et j'ignore quels sont les méthodes pour vérifier s'il y a de le colinéarité au sein de variables qualitatives. Les plots donnent évidemment des points superposés (quatre points pour deux variables à deux modalités par exemple).
J'ai essayé de recourir au VIF en transformant tous mes facteurs en variables numériques discrètes mais cette méthode m'a l'air très douteuse.
D'où ma question : comment vérifier s'il y a colinéarité entre des variables qualitatives ?
Ci-dessous, un exemple de résultat de l'une de mes régression.



Call:
glm(formula = Relations ~ GR5 + Boulot + Communaute + Famille_Q +
   Amis_Q + Amis_C + Contact + Age + rev + niv_etude + Couple +
   Enfants, family = binomial(logit), data = REG_B)

Deviance Residuals:
   Min       1Q   Median       3Q      Max  
-2.7283   0.3013   0.4304   0.6428   1.5313  

Coefficients:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)    -0.35809    0.27333  -1.310  0.19017    
GR5_2           0.01607    0.16530   0.097  0.92257    
GR5_3          -0.22314    0.16724  -1.334  0.18213    
GR5_4           0.02949    0.16107   0.183  0.85474    
GR5_5          -0.07916    0.17896  -0.442  0.65825    
Boulot_Autre   -0.26753    0.16097  -1.662  0.09652 .  
Boulot_Chom    -0.49937    0.20060  -2.489  0.01280 *  
Communaute_Oui -0.23164    0.11755  -1.971  0.04877 *  
Famille_QOui    0.35311    0.13267   2.662  0.00778 **
Amis_QOui       0.34959    0.11460   3.051  0.00228 **
Amis_COui       0.19525    0.11345   1.721  0.08524 .  
ContactSouv     0.75932    0.13143   5.778 7.58e-09 ***
ContactOcc      0.51603    0.16197   3.186  0.00144 **
AgeJeune        1.24222    0.28032   4.431 9.36e-06 ***
AgeVieux       -0.23539    0.17510  -1.344  0.17884    
revMed-         0.39080    0.14806   2.640  0.00830 **
revMed+         0.44428    0.16165   2.748  0.00599 **
revHaut         0.32041    0.17793   1.801  0.07174 .  
niv_etudeSec    0.04259    0.17328   0.246  0.80586    
niv_etudeSup    0.36621    0.19272   1.900  0.05740 .  
CoupleOui       1.22304    0.11510  10.626  < 2e-16 ***
EnfantsOui      0.41625    0.13000   3.202  0.00137 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

   Null deviance: 2675.4  on 2915  degrees of freedom
Residual deviance: 2363.5  on 2894  degrees of freedom
 (90 observations deleted due to missingness)
AIC: 2407.5

Number of Fisher Scoring iterations: 5

Bonjour,
Entre deux variables quantitatives, et notamment les binaires, tu peux faire des tests du chi2 ; si elles sont très corrélées entre elles, tu auras probablement de la colinéarité dans ton modèle.