Collineariteit, in de statistiek, correlatie tussen voorspellende variabelen (of onafhankelijke variabelen), zodanig dat zij in een regressiemodel een lineair verband tot uitdrukking brengen. Wanneer voorspellende variabelen in hetzelfde regressiemodel gecorreleerd zijn, kunnen zij de waarde van de afhankelijke variabele niet onafhankelijk voorspellen. Met andere woorden, zij verklaren een deel van dezelfde variantie in de afhankelijke variabele, wat op zijn beurt hun statistische significantie vermindert.
Collineariteit wordt een punt van zorg in regressieanalyse wanneer er een hoge correlatie of een associatie is tussen twee potentiële voorspellende variabelen, wanneer er een dramatische toename is van de p-waarde (d.w.z. een verlaging van het significantieniveau) van een voorspellende variabele wanneer een andere voorspellende variabele in het regressiemodel wordt opgenomen, of wanneer een hoge variantie-inflatiefactor wordt vastgesteld. De variantie-inflatiefactor is een maat voor de mate van collineariteit: een variantie-inflatiefactor van 1 of 2 wijst in wezen niet op collineariteit en een waarde van 20 of meer wijst op extreme collineariteit.
Multicollineariteit beschrijft een situatie waarin meer dan twee voorspellende variabelen zodanig met elkaar samenhangen dat, wanneer zij alle in het model worden opgenomen, een afname van de statistische significantie wordt waargenomen. Vergelijkbaar met de diagnose voor collineariteit kan multicollineariteit worden beoordeeld aan de hand van variantie-inflatiefactoren met dezelfde leidraad dat waarden van meer dan 10 wijzen op een hoge mate van multicollineariteit. Anders dan bij de diagnose collineariteit is het echter niet altijd mogelijk multicollineariteit te voorspellen voordat de effecten ervan op het meervoudige regressiemodel zijn waargenomen, omdat twee van de voorspellende variabelen slechts een geringe mate van correlatie of associatie kunnen hebben.