Multikollinearität

Multikollinearität beschreibt eine Situation in der zwei oder mehr Prädiktoren in einer multiplen Regression miteinander stark korrelieren. Als Konsequenz lässt sich ein Prädiktor durch einen anderen mit relativ hoher Genauigkeit vorhersagen. In dieser Situation kann sich die Schätzung der Regressionskoeffizienten mit nur kleinen Änderungen der Daten oder des Modells stark schwanken.

Multikollinearität vermindert nicht die statistische Power oder Reliabilität des Modells – zumindest nicht innerhalb der Stichprobe – es beeinflusst lediglich die Berechnung bezüglich der einzelnen Prädiktoren. Dies bedeutet, dass ein Regressionsmodell mit stark korrelierenden Prädiktoren immer noch vorhersagen kann wie gut die Prädiktoren in ihrer Gesamtheit die abhängige Variable (Kriterium) vorhersagen, aber keine präzisen Informationen mehr über die Vorhersagekraft einzelner Prädiktoren machen kann oder welche Prädiktoren bezüglich anderer redundant sind.

Oft findet liest man auch den Begriff Kollinearität. Kollinearität grenzt sich zu Multikollinearität behingehend ab, dass bei Kollinearität genau zwei Prädiktoren miteinander stark korrelieren, während es bei Multikollinearität zwei oder mehr Prädiktoren sind.

@misc{statistikguru,
    title    = {StatistikGuru},
    subtitle = {Multikollinearität},
    year     = {2016},
    month    = {may},
    url      = {https://statistikguru.de/lexikon/multikollinearitaet.html},
    author   = {Hemmerich, Wanja A.},
    urldate  = {2023-06-10}
}