Kollinearität beschreibt eine statistische Beziehung zwischen unabhängigen Variablen in einem Regressionsmodell.

In der Hauptstadtmarktforschung bezieht sich dieser Begriff auf die Existenz von linearen Zusammenhängen zwischen mehreren Faktoren oder Variablen. Das Vorhandensein von Kollinearität kann die Effektivität eines Modells beeinträchtigen, da es die Schätzgenauigkeit der Regressionskoeffizienten reduzieren kann. In der Praxis tritt Kollinearität auf, wenn zwei oder mehr unabhängige Variablen in einem Regressionsmodell stark korreliert sind. Eine hohe Korrelation zwischen den Variablen deutet darauf hin, dass sie ähnliche Informationen liefern oder sich gegenseitig erklären. Dies erschwert es dem Modell, den individuellen Beitrag jeder Variablen zur Erklärung der abhängigen Variablen zu bestimmen. Die Koeffizienten der kollinearen Variablen werden unsicher und schwer zu interpretieren. Es ist wichtig zu beachten, dass Kollinearität nicht immer schädlich ist. In einigen Fällen können kollineare Variablen zusammen verwendet werden, um ein Modell zu verbessern oder die Vorhersagegenauigkeit zu erhöhen. Dies wird als "strukturelle Kollinearität" bezeichnet und beinhaltet die Kombination von Variablen, die zusammen eine stärkere Vorhersagekraft haben als einzeln. Um Kollinearität zu identifizieren, werden häufig statistische Maßnahmen wie der Korrelationskoeffizient oder das Toleranz- und VIF-Verhältnis (Variable Inflation Factors) verwendet. Ein hoher Korrelationskoeffizient oder ein niedriges Toleranz- und VIF-Verhältnis deutet auf das Vorhandensein von Kollinearität hin. Wenn Kollinearität festgestellt wird, stehen Modelleentwicklern verschiedene Optionen zur Verfügung. Eine Möglichkeit besteht darin, eine Variable aus dem Modell zu entfernen, wenn sie unsicher oder nicht signifikant ist. Eine andere Option ist die Verwendung von Techniken wie der "Ridge Regression" oder der "Principal Component Regression", um Kollinearität zu reduzieren und die robusten Schätzwerte der Regressionskoeffizienten wiederherzustellen. Insgesamt ist die Kenntnis und das Verständnis von Kollinearität ein wichtiger Schritt bei der Modellentwicklung und -auswertung in den Kapitalmärkten. Die Berücksichtigung dieses Phänomens ermöglicht eine bessere Interpretation von Regressionsmodellen und damit eine fundiertere Entscheidungsfindung für Investoren in Aktien, Kredite, Anleihen, Geldmärkte und Kryptowährungen.