Este estudio presenta un estimador novedoso que combina los estimadores Kibria-Lukman y de ridge para abordar los desafíos de la multicolinealidad en los modelos de regresión Conway-Maxwell-Poisson (COMP). El Estimador de Máxima Verosimilitud Convencional COMP (CMLE) es notablemente susceptible a los efectos adversos de la multicolinealidad, subrayando la necesidad de estrategias de estimación alternativas. Comparamos exhaustivamente el propuesto Estimador Modificado COMP Kibria-Lukman (CMKLE) con metodologías existentes para mitigar los efectos de la multicolinealidad. A través de rigurosas simulaciones de Monte Carlo y aplicaciones del mundo real, nuestros resultados demuestran que el CMKLE exhibe una resistencia superior a la multicolinealidad, logrando consistentemente valores de error cuadrático medio (MSE) más bajos. Además, nuestros hallazgos subrayan el papel crítico de tamaños de muestra más grandes en mejorar el rendimiento del estimador, especialmente en presencia de alta multicolinealidad y sobre-dispersión. Es importante destacar que el CMKLE supera a los estimadores tradicionales, incluido el CMLE, en precisión predictiva, reforzando la imperativa selección juiciosa de técnicas de estimación en la modelización estadística.