Die 2 Arten von Multikollinearität

Multicollinearity entsteht, wenn eine lineare Beziehung zwischen zwei oder mehreren unabhängigen Variablen in einem Regressionsmodell existiert. In der Praxis trifft man selten perfekt multicollinearity, aber hohe multicollinearity ist durchaus üblich und erhebliche Probleme für die Regressionsanalyse führen kann.

Zwei Arten von multicollinearity existieren:

• Perfekte multicollinearity tritt auf, wenn zwei oder mehr unabhängige Variablen in einem Regressionsmodell zeigen eine deterministisch (Vollkommen vorhersehbar oder enthält keine Zufälligkeit) lineare Beziehung. Wenn perfekt kollinearen Variablen als unabhängige Variablen enthalten sind, können Sie verwenden, um die OLS Technik nicht den Wert der Parameter zu schätzen. Perfekte multicollinearity daher gegen eine der klassischen linearen Regressionsmodell (CLRM) Annahmen.

• Hohe multicollinearity ergibt sich aus einer linearen Beziehung zwischen den unabhängigen Variablen mit einem hohen Korrelationsgrad aber nicht vollkommen deterministisch (mit anderen Worten, sie keine perfekte Korrelation aufweisen). Es ist viel häufiger als ihre perfekte Gegenstück und kann ebenso problematisch sein, wenn es um die Schätzung eines ökonometrischen Modells kommt.

In der Praxis ist perfekt multicollinearity ungewöhnlich und kann mit einer sorgfältigen Aufmerksamkeit auf das Modell der unabhängigen Variablen vermieden werden. Allerdings ist eine hohe multicollinearity durchaus üblich und kann schwere Schätzprobleme schaffen. Aus diesem Grund wird, wenn Ökonometrikern zu einem multicollinearity Problem hinweisen, sich beziehen sie in der Regel auf hoch multicollinearity statt perfekt multicollinearity.