当变量存在共线性时，Wald检验结果不可靠。

Wald检验是一种统计检验方法，用于评估模型中某个系数或一组系数是否显著。在一些特定情况下，Wald检验可能会失效或产生不可靠的结果。以下是对选项的分析：

- **A: 变量过多**
当变量过多时，模型可能变得复杂且难以解释，但这并不会直接影响Wald检验的有效性。该选项不正确。

- **B: 共线性**
共线性是多个自变量高度相关的情况。在共线性严重的情况下，Wald检验可能会失效，因为它依赖于变量的方差和协方差矩阵的精确估计。高共线性会导致这些估计不稳定，从而影响检验结果的可靠性。因此，这是一个可能导致Wald检验失效的情况。

- **C: 异方差**
异方差指的是误差项的方差不恒定。虽然异方差一般不会导致Wald检验完全失效，但它会影响检验的精确性和稳健性，因为标准误可能被低估或高估。一般情况下，可以采用稳健标准误方法来调整。

- **D: 过拟合**
过拟合是指模型在训练数据上表现很好，但在新数据上表现不佳。过拟合主要影响模型的泛化能力，但不直接影响Wald检验。因此，这个选项不直接关系到Wald检验的有效性。

综上所述，**B: 共线性**是导致Wald检验不再有效的主要因素。共线性会使估计不稳定，从而影响检验结果的可靠性。