Ein Zustand in der linearen Regression, bei dem zwei oder mehr erklärende Variablen stark linear korreliert sind, sodass es schwer wird, ihre individuellen Effekte genau zu schätzen, weil Koeffizientenschätzungen instabil werden und die Standardfehler anwachsen.

Prinzip

Wenn Regressoren nahezu lineare Abhängigkeiten aufweisen, identifiziert die Stichprobe keine eindeutigen marginalen Effekte; die Varianz der geschätzten Koeffizienten steigt und t‑Statistiken verlieren an Zuverlässigkeit.

Demonstration

In einer Lohnregression, die sowohl Bildungsjahre als auch einen Index enthält, der nahezu linear aus den Bildungsjahren ableitbar ist (etwa Summen von absolvierten Kursen), schwanken geschätzte Koeffizienten stark bei kleinen Stichprobenveränderungen und die Standardfehler sind groß.

Fehlanwendung

Jede signifikante Korrelation zwischen Regressoren als schädlich zu behandeln und theoretisch relevante Variablen willkürlich zu entfernen, oder Dimensionsreduktion anzuwenden, ohne die Interpretierbarkeit zu erhalten, was zu Verzerrungen führt.

Konsequenz

Eine korrekte Diagnose führt zu Gegenmaßnahmen wie Entfernen redundanter Variablen, Zusammenfassen kollinearer Maße, Regularisierung oder zur Berichterstattung über Vorhersagen statt einzelner Koeffizienten; Koeffizienten sind nur dann verzerrt, wenn Multikollinearität mit Modellfehlspezifikation zusammenfällt.

Umkehrung

Orthogonalität der Regressoren, bei der die erklärenden Variablen unkorreliert sind und jeder Koeffizient unabhängig mit minimaler Varianzvergrößerung geschätzt werden kann.

Abgrenzung

Gilt hauptsächlich für lineare (oder linearisierten) Regressionsschätzungen von marginalen Effekten; unterscheidet sich von Endogenität und Messfehlern und impliziert nicht automatisch einen Auslassungsfehler.

Semantische Spannung

Nah verwandt mit dem Konzept schwacher Instrumente oder der Beinahe-Singularität der Designmatrix; Spannungen treten auf, wenn zwischen Collinearität, die die Koeffizienteninferenz beeinträchtigt, und Fällen zu unterscheiden ist, in denen die Vorhersagequalität erhalten bleibt.

Synthese

Multikollinearität beschreibt den Verlust unabhängiger Information über einzelne Regressoren infolge starker linearer Korrelation; die zentrale Maßnahme ist, Instabilität in Koeffizienten zu erkennen und passende Korrekturen nach Zielsetzung der Analyse vorzunehmen.