Hoge VIF-waarden betekenen dat je voorspellers relatief sterk met elkaar samenhangen, wat zich uit in verlaagde power (grotere standaardfouten van je voorspellers) en onbetrouwbare (instabiele) waarden van de schattingen van je regressie-coefficienten.
In jouw geval lijken je VIF-waarden echter heel erg mee te vallen? De hoogste is 3.1, en de meesten zijn amper hoger dan 1?
De factorladingen in de tweede tabel kunnen je helpen om, in het geval van multicollineariteit, te bepalen welke voorspellers sterk samenhangen. Echter, in dit geval is er geen sprake van multicollineariteit. Neem in de onderste regel bijvoorbeeld de eerste twee items; deze twee laden wat sterker op dezelfde factor. Echter, hun onderlinge samenhangt is nog steeds relatief laag; de tolerance van deze items ligt rond de .35, dus elk item is voor maximaal 65% te verklaren uit andere items. Dit had je liever lager gehad, maar het is niet zo hoog dat het problematisch is.
Als je steekproefomvang niet aan de lage kant is (100 deelnemers is bijvoorbeeld erg weinig met zoveel voorspellers) hoef je je niet zoveel zorgen te maken.