自变量的共线性一般用方差膨胀因子VIF来衡量。AIC、BIC是多元线性回归变量 筛选时常常使用的评价准则。IV值一般是逻辑回归中用于衡量自变量对因变量的辨别能力 强弱，信贷行业常用。

在多元回归分析中，多重共线性是一个重要的诊断问题。多重共线性指的是自变量之间存在较高的相关性，这可能会导致回归系数的不稳定，从而影响模型的解释能力和预测能力。

对于多重共线性的诊断，一般使用的指标是**VIF（Variance Inflation Factor，方差膨胀因子）**。

因此，正确答案是：**D: VIF**

### 专业分析：

1. **AIC（Akaike Information Criterion）**和**BIC（Bayesian Information Criterion）**：
- 这两个指标主要用于模型选择和比较，帮助选择最优模型。它们衡量的是模型的拟合优度和复杂度之间的平衡，但不直接用于多重共线性的诊断。

2. **IV（Information Value）**：
- 信息值主要用于评估单个变量对目标变量的解释能力，常用于信用评分模型中，但不用于多重共线性的诊断。

3. **VIF（Variance Inflation Factor）**：
- VIF用于衡量一个自变量与其他自变量之间的多重共线性程度。VIF值越高，表明该自变量与其他自变量之间的共线性越强。一般来说，如果VIF值大于10，就认为存在严重的多重共线性问题。

### 具体解释VIF：

- VIF是通过将每个自变量作为因变量，其他自变量作为自变量进行回归分析来计算的。公式如下：
\[
VIF_i = \frac{1}{1 - R_i^2}
\]
其中，\(R_i^2\) 是第 \(i\) 个自变量回归其他自变量时的决定系数。

- VIF值的解释：
- VIF = 1：没有多重共线性。
- 1 < VIF < 5：存在中等程度的多重共线性。
- VIF ≥ 5：存在较强的多重共线性，可能需要进一步处理。

通过计算VIF，可以帮助识别和处理多重共线性问题，确保多元回归模型的稳定性和可靠性。