Colinealidad, en estadística, es la correlación entre las variables predictoras (o variables independientes), de forma que expresan una relación lineal en un modelo de regresión. Cuando las variables predictoras de un mismo modelo de regresión están correlacionadas, no pueden predecir independientemente el valor de la variable dependiente. En otras palabras, explican parte de la misma varianza en la variable dependiente, lo que a su vez reduce su significación estadística.
La colinealidad se convierte en una preocupación en el análisis de regresión cuando existe una alta correlación o una asociación entre dos posibles variables predictoras, cuando se produce un aumento drástico del valor p (es decir, una reducción del nivel de significación) de una variable predictora cuando se incluye otro predictor en el modelo de regresión, o cuando se determina un factor de inflación de la varianza elevado. El factor de inflación de la varianza proporciona una medida del grado de colinealidad, de forma que un factor de inflación de la varianza de 1 o 2 muestra esencialmente ausencia de colinealidad y una medida de 20 o superior muestra una colinealidad extrema.
La multicolinealidad describe una situación en la que más de dos variables predictoras están asociadas de forma que, cuando todas se incluyen en el modelo, se observa una disminución de la significación estadística. Al igual que el diagnóstico de la colinealidad, la multicolinealidad puede evaluarse utilizando factores de inflación de la varianza con la misma guía de que los valores superiores a 10 sugieren un alto grado de multicolinealidad. Sin embargo, a diferencia del diagnóstico de la colinealidad, puede que no sea posible predecir la multicolinealidad antes de observar sus efectos en el modelo de regresión múltiple, porque dos de las variables predictoras pueden tener sólo un bajo grado de correlación o asociación.