回帰診断へようこそ：モデルの「健康診断」
これまでのFRM学習で、回帰モデルの構築方法は学びましたね。しかし、そのモデルが本当に信頼できるものか、どうやって判断すればよいのでしょうか？金融の世界において、「壊れた」モデルは破滅的なリスク管理の意思決定につながる恐れがあります。回帰診断（Regression Diagnostics）とは、モデルの前提条件が正しく満たされているかをチェックするプロセスです。この章は、エンジンの調子を確かめる整備士のように、私たちの分析結果が正確で、バイアスがなく、実務で使える状態にあるかを確認するための「診断ツールキット」だと考えてください。
1. 目的の理解：なぜ診断が重要なのか
最小二乗法（OLS）による回帰分析が「最良線形不偏推定量（BLUE）」であるためには、いくつかの前提条件を満たす必要があります。もしこれらの前提が守られていないと、結果が理論上は良く見えても、実際には全く使い物にならない可能性があります。ここで主に警戒すべき「4つのトラブルメーカー」は、不均一分散（Heteroskedasticity）、多重共線性（Multicollinearity）、系列相関（Serial Correlation）、そしてモデルの特定化エラー（Model Specification Errors）です。
クイック復習：「不偏（unbiased）」とは、平均的に見て的を射ていることを意味します。「効率的（efficient）」とは、分散が最小（つまり高精度）であることを指します。
2. 不均一分散：変動する分散
不均一分散とは？
理想的な世界では、モデルの「誤差（残差）」の分散は一定であるべきです。これを均一分散（Homoskedasticity）と呼びます。一方、誤差項の分散が一定ではない状態を不均一分散（Heteroskedasticity）と言います。
たとえ話： アーチェリーの練習を想像してください。あなたが安定した射手であれば、的からどれだけ離れていても、矢の逸れ方は一定の範囲に収まります。これが「均一分散」です。もし的から離れるほど射撃が乱れていくなら、距離とともに「誤差の分散」が増大していますよね。これが「不均一分散」です！
不均一分散の種類
1. 非条件付き（Unconditional）：分散は変化していますが、独立変数とは無関係です。これは通常、検定において大きな問題にはなりません。
2. 条件付き（Conditional）：分散が独立変数の値に関連しています。FRMで最も注意すべきはこれです。統計的な検定を無効にしてしまうからです。
結果と検定方法
結果： 回帰係数（\( \hat{\beta} \)）自体は不偏ですが、標準誤差が過小評価されがちです。その結果、t統計量が実際よりも大きく見えてしまい、本来は有意でない関係を「有意である」と誤認してしまいます！
見つけ方：
- 残差プロット： 散布図上で残差が「扇形」や「じょうご型」に広がっていないか確認します。
- ブルッシュ・ペーガン検定（Breusch-Pagan Test）： 残差の二乗を独立変数に回帰させる正式な統計的検定です。
- ホワイト検定（White Test）： 特定の形式を仮定しない、より強力な検定手法です。
修正方法： ホワイトの不均一分散一致標準誤差（ロバスト標準誤差とも呼ばれます）を使用します。これにより、係数は変えずにt統計量を修正できます。
要点： 不均一分散はモデルを実際よりも「確実」に見せかけてしまいます。安全のためにロバスト標準誤差を使いましょう。
3. 多重共線性：変数同士が似すぎているとき
多重共線性とは？
2つ以上の独立変数間に強い相関がある場合に発生します。
たとえ話： グループプロジェクトで、2人の学生が全く同じ知識を持っていて、全く同じ発言をしている状況を想像してください。最終レポートのアイデアがどちらの貢献によるものか判断するのは不可能ですよね。それぞれの「貢献度」がぼやけてしまうのです。
結果と検定方法
結果： モデル全体としては素晴らしい結果（高いR二乗値）に見えても、個々のt統計量は非常に低くなります。係数が不安定になり、データが少し変わるだけでプラスからマイナスへ反転してしまうこともあります！
見つけ方：
- 高いR二乗値 ＋ 低いt統計量： これが「典型的な」危険信号です。
- 相関行列： 独立変数間の相関が非常に高い（例：0.8や0.9超）かチェックします。
- 分散拡大要因（VIF）： VIFが5や10を超えると、深刻な多重共線性の疑いがあります。
修正方法： 最も簡単な方法は、相関の高い変数のうち一方を削除することです。どうせ重複している情報なのですから！
要点： 多重共線性は結果を不偏にするわけではありませんが、どの変数が実際に効いているのかを判断不能にしてしまいます。
4. 系列相関（自己相関）：癖のある誤差
系列相関とは？
ある期間の誤差項が、前の期間の誤差項と関連している状態です。時系列データで非常によく見られます。
たとえ話： 昨日機嫌が悪かったから今日も機嫌が悪いという場合、あなたの「気分の誤差」には系列相関があります。これらは独立した出来事ではないからです。
結果と検定方法
結果： 不均一分散と同様に、OLS係数は不偏ですが、標準誤差が過小評価されます。これによりt統計量が膨らみ、モデルの精度に対して誤った安心感を持ってしまいます。
見つけ方：
- ダービン・ワトソン検定（DW検定）： 最も一般的な検定手法です。
- \( DW \approx 2 \)：系列相関なし。
- \( DW < 2 \)：正の系列相関（金融では最も一般的）。
- \( DW > 2 \)：負の系列相関。
修正方法： ニューイ・ウェスト（Newey-West）の調整済み標準誤差を使用します。これは不均一分散と系列相関の両方を同時に修正してくれます。
復習表：
問題： 不均一分散 | 修正： ホワイト標準誤差
問題： 系列相関 | 修正： ニューイ・ウェスト標準誤差
5. モデルの特定化：正しいマシンを組み立てる
問題がデータではなく、モデルの組み立て方にある場合があります。これを特定化エラー（Specification Error）と呼びます。
よくあるエラー
1. 変数削除のバイアス： 本当に重要で、独立変数と相関がある変数をモデルから漏らしている場合。これは係数にバイアスを与えます！
2. 無関係な変数の追加： 「ゴミ」のような変数を加えた場合。バイアスは生じませんが、モデルの効率（精度）を低下させます。
3. 関数形式の誤特定： 実際には曲線（非線形）の関係なのに、直線（線形）のモデルを使ってしまっている場合。
正規性の検定
私たちはよく、残差が正規分布に従うと仮定します。これを検定するためにジャック・ベラ検定（JB検定）を使います。
JB検定は歪度（Skewness：左右対称性）と尖度（Kurtosis：裾の厚み）を見ます。正規分布であれば、歪度は0、尖度は3です。JB統計量が大きければ、正規性の仮定は棄却されます。
最初は難しく感じるかもしれませんが、大丈夫です： ほとんどの金融データは「ファットテール（高い尖度）」を持つため、現実世界ではJB検定はしばしば棄却されるものだ、と覚えておけばOKです！
6. 主要な診断テストまとめ
試験対策用に、チートシートを作成しました：
- 不均一分散： ブルッシュ・ペーガン検定またはホワイト検定。ホワイト標準誤差で修正。
- 系列相関： ダービン・ワトソン検定。ニューイ・ウェスト標準誤差で修正。
- 多重共線性： 高いR二乗値と低いt統計量に注目。変数削除で修正。
- 正規性： ジャック・ベラ検定。
- 関数形式： ラムゼイRESET検定（非線形項を追加すべきかを確認）。
最後のアドバイス： これをマスターするのに天才的な数学の才能は必要ありません！まずは症状（検定）を見抜き、治療法（修正）を理解することに集中しましょう。それができれば、FRM Part Iの定量分析セクションはバッチリです！