Auszug
Multikollinearität bezeichnet eine lineare Abhängigkeit zwischen zwei oder mehr unabhängigen Variablen. Es handelt sich dabei um ein zentrales Problem bei regressionsbasierten, statistischen Analysen, das beim empirischen Arbeiten häufig unterschätzt wird. Liegt Multikollinearität vor, so kann dies zu stark negativen Auswirkungen auf die Aussagekraft des Regressionsmodells führen (u.a. Farrar und Glauber 1967; Gunst 1983; Ofir und Khuri 1986). So sind Schätzergebnisse der Regressionskoeffizienten möglicherweise weit von den tatsächlichen, aber unbekannten Parametern entfernt - was deutlichen über- oder Unterschätzungen entsprechen würde. Auch sind hohe Varianzen bzw. Standardfehler eine Folge von Multikollinearität, die letztendlich auch dazu führen können, dass die Koeffizienten Vorzeichen annehmen, die theoretischen überlegungen widersprechen. Trotz unplausibler Werte für die Regressionskoeffizienten muss aber nicht zwangsläufig eine Beeinträchtigung der Schätzgüte auftreten (Steffen 1994, S. 6), was in der Praxis dazu führen kann, dass man sich in „falscher Sicherheit“ wiegt. Eine Adressierung des Problems Multikollinearität ist daher beim empirischen Arbeiten von besonderer Bedeutung.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Albers S., M. Clement und H. Schneider (2005): Zahlungsbereitschaften und Adoptionsfaktoren des Digitalen Fernsehens in Deutschland, Working Paper der Christian-Albrechts-Universität zu Kiel, Kiel.
Backhaus K., B. Erichson, W. Plinke und R. Weiber (2003): Multivariate Analysemethoden, Berlin et al.
Bellgardt E. (2004): Statistik mit SPSS, 2. Aufl., M:unchen.
Belsley D.A., E. Kuh und R.E. Welsch (1980): Regression Diagnostics: Identifying Influential Data and Sources of Collinearity, New York et al.
Chatterjee S. und B. Price (1977): Regression Analysis by Example, New York et al.
Cohen J. (1992): A Power Primer, Psychological Bulletin, 112, 155–159.
Cortina J.M. (1993): Interaction, Nonlinearity, and Multicollinearity: Implications for Multiple-Regression, Journal of Management, 19, 915–922.
Eckstein P.P. (2004): Angewandte Statistik mit SPSS, 4. Aufl., Wiesbaden.
Farrar D. und R. Glauber (1967): Multicollinearity in Regression Analysis: The Problem Revisited, Review of Economics and Statistics, 49, 92–107.
Fickel N. (2001): Sequenzialregression, Berlin.
Fourgeaud C., S. Gourieroux und J. Pradel (1984): Some Theoretical Results for Generalized Ridge Regression Estimators, Journal of Econometrics, 25,1/2,191–203.
Grapentine T. (1997): Managing Multicollinearity, Marketing Research, 9, 3, 10–21.
Grewal R., J.A. Cote und H. Baumgartner (2004): Multicollinearity and Measurement Error in Structural Equation Models: Implications for Theory Testing, Marketing Science, 23, 519–529.
Gujarati D.N. (2003): Basic Econometrics, Boston et al.
Gunst R.F. (1983): Regression Analysis with Multicollinear Predictor Variables: Definition, Detection, and Effects, Communication in Statistics-Theory and Methods, 12, 2217–2260.
Hackl P. (2005): Einführung in die Ökonometrie, München et al.
Hair J.F., R.E. Anderson, R.L. Tatham und W.C. Black (1998): Multivariate Data Analysis, 5.Aufl., Englewood Cliffs.
Hartung J. und B. Elpelt (1986): Multivariate Statistik, 2. Aufl., München et al.
Hoerl A.E. und R.W. Kennard (1970a): Ridge Regression: Applications to Nonorthogonal Problems, Technometrics, 12, 69–82.
Hoerl A.E. und R.W. Kennard (1970b): Ridge Regression: Biased Estimation from Nonorthogonal Problems, Technometrics, 12, 55–67.
Hujer R. und R. Cremer (1978): Methoden der empirischen Wirtschaftsforschung, München.
Kelejian H.H. und W.E. Oates (1974): Introduction to Econometrics, New York et al.
Maddala G.S. (1977): Econometrics, Auckland et al.
Mahajan V., A.K. Jain und M. Bergier (1977): Parameter Estimation in Marketing Models in the Presence of Multicollinearity: An Application of Ridge Regression, Journal of Marketing Research, 14, 586–591.
Marquette R.P. und D. Johnson (1980): Ridge Regression and the Multicollinearity Problem in Financial Research: A Case Study, The Journal of Financial Research, 3, 33–47.
Moosmüller G. (2004): Methoden der empirischen Wirtschaftsforschung, München et al.
Morrow-Howell N. (1994): The M Word: Multicollinearity in Multiple Regression, Social Work Research, 18, 247–251.
Ofir C. und A. Khuri (1986): Multicollinearity in Marketing Models: Diagnostics and Remedial Measures, International Journal of Research in Marketing, 3,181–205.
Schneeweiß H. (1971): Ökonometrie, Würzburg.
Steffen A. (1994): Das Problem der Multikollinearität in Regressionsanalysen, Frankfurt am Main.
Wang G.C.S. (1996): How to Handle Multicollinearity in Regression Modeling, Journal of Business Forecasting Methods & Systems, 15, 1, 23–27.
Editor information
Rights and permissions
Copyright information
© 2007 Betriebswirtschaftlicher Verlag Dr. Th. Gabler |d GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Schneider, H. (2007). Nachweis und Behandlung von Multikollinearität. In: Albers, S., Klapper, D., Konradt, U., Walter, A., Wolf, J. (eds) Methodik der empirischen Forschung. Gabler. https://doi.org/10.1007/978-3-8349-9121-8_13
Download citation
DOI: https://doi.org/10.1007/978-3-8349-9121-8_13
Publisher Name: Gabler
Print ISBN: 978-3-8349-0469-0
Online ISBN: 978-3-8349-9121-8
eBook Packages: Business and Economics (German Language)