欢迎来到“评估回归模型”！

你好！如果你已经来到 CFA Level II，你肯定知道“数量方法”(Quantitative Methods) 这座山确实不太好爬。但别担心——评估回归模型其实就像当侦探。我们有一个“嫌疑人”（我们的自变量），而我们想知道的是：“这个嫌疑人能在多大程度上解释所发生的事情？”

在这一章中，我们不仅仅是在建立模型，更是在检查它们是否真的管用。我们会学习如何阅读“成绩单”（ANOVA 表格），检查系数的“生命体征”，并判断我们的模型究竟是杰作还是杂讯。让我们开始吧！

1. 基础知识：我们到底在看什么？

当我们执行多元线性回归 (Multiple Linear Regression, MLR) 时，我们所看的方程式如下：
\( Y_i = b_0 + b_1X_{1,i} + b_2X_{2,i} + ... + b_kX_{k,i} + \epsilon_i \)

重要术语回顾：
• 因变量 (Dependent Variable, \( Y \))： 我们试图预测的目标（例如：股票回报）。
• 自变量 (Independent Variables, \( X \))： 我们认为会影响 \( Y \) 的“驱动因素”（例如：利率、GDP 增长）。
• 截距 (Intercept, \( b_0 \))： 当所有 \( X \) 都为零时，\( Y \) 的数值。
• 斜率系数 (Slope Coefficients, \( b_j \))： 在保持所有其他变量不变的情况下，当该特定的 \( X \) 变动一个单位时，\( Y \) 会随之变动多少。

现实生活中的例子： 想象你在预测房价。房屋面积（平方英尺）和房间数量就是你的 \( X \) 变量。截距是土地的基础价格，而“房间数量”的斜率则告诉你，在房屋面积不变的情况下，每增加一个房间，房价会上升多少。

总结： 回归分析能帮助我们量化多个因素与单一结果之间的关系。

2. 评估拟合优度：模型好用吗？

当电脑跑出回归分析结果后，我们需要知道它是否有效。我们会用到几个关键指标。

A. 决定系数 (\( R^2 \))

\( R^2 \) 告诉我们因变量 (\( Y \)) 的变异中有多少百分比是由自变量 (\( X \)s) 所解释的。
• 它的范围从 0 到 1。
• \( R^2 \) 为 0.80 意味着我们的模型解释了 80% \( Y \) 的变动。这很棒！

B. \( R^2 \) 的问题与“调整后 \( R^2 \)”的解决方案

你知道吗？如果你不断往模型中添加变量——即使是像“公园里的松鼠数量”这种无用的变量——你的 \( R^2 \) 也几乎总会上升。这是一个陷阱！为了修正这个问题，我们使用调整后 \( R^2 \) (Adjusted \( R^2 \))。

调整后 \( R^2 \) 会对那些没有显著帮助的变量进行“惩罚”。其计算公式为：
\( \bar{R}^2 = 1 - [(\frac{n-1}{n-k-1}) \times (1-R^2)] \)

重要规则： 调整后 \( R^2 \) 永远小于或等于 \( R^2 \)。如果你加入一个变量后，调整后 \( R^2 \) 反而下降了，那么这个变量就是“累赘”，不应该出现在模型中。

C. 估计标准误差 (Standard Error of Estimate, SEE)

SEE 告诉我们实际数据点与回归线之间的平均距离。你可以把它想象成模型所犯的“平均错误”。
• 低 SEE = 高准确度（数据点紧贴回归线）。
• 高 SEE = 低准确度（数据点散落在各处）。
\( SEE = \sqrt{\frac{SSE}{n-k-1}} \)

快速回顾： \( R^2 \) 是“我们解释了多少”，而 SEE 是“我们漏掉了多少”。

3. ANOVA 表格：模型的成绩单

别被“ANOVA”（方差分析）这个词吓倒。它只是一张将总变异拆解为“已解释”和“未解释”部分的表格。

1. 总平方和 (SST)： 数据中的总变异。
2. 回归平方和 (RSS)： 由我们模型解释的变异。
3. 残差平方和 (SSE)： 我们无法解释的“剩余”变异（即杂讯）。

黄金法则： \( SST = RSS + SSE \)

记忆技巧： 把 SST 想成一个披萨。你吃掉的部分是 RSS（成功！），而你丢弃的饼皮就是 SSE（错误/浪费）。

关键点： 从 ANOVA 表格中，我们可以通过 \( RSS / SST \) 计算出 \( R^2 \)。

4. 假设检验：结果是真的吗？

我们使用两项主要检验来确认结果是否具备统计显著性，还是仅仅是运气好。

A. t-检验 (t-Test)（检验单个系数）

我们使用 t-检验 来看看某个单一自变量是否有用。
虚无假设 (\( H_0 \))： 系数为零 (\( b_j = 0 \))，意味着它没有影响。
对立假设 (\( H_a \))： 系数不为零 (\( b_j \neq 0 \))。

检验统计量： \( t = \frac{\hat{b}_j - 0}{s_{\hat{b}_j}} \)
（系数除以其标准误）。

决策规则： 如果计算出的 \( t \) 的绝对值大于（查表所得的）临界值 (critical t-value)，我们就拒绝虚无假设。这意味着该变量具有“统计显著性”。

B. F-检验 (F-Test)（检验整个模型）

F-检验 用来检查是否至少有一个自变量是有用的。它检验的是整个模型。
虚无假设 (\( H_0 \))： 所有斜率系数皆为零 (\( b_1 = b_2 = ... = b_k = 0 \))。
对立假设 (\( H_a \))： 至少有一个斜率系数不为零。

\( F = \frac{MSR}{MSE} = \frac{RSS/k}{SSE/(n-k-1)} \)

常见错误： 学生常分不清何时用 \( t \) 何时用 \( F \)。记住：T 是用来 Tracking Tiny details（追踪细节，即单个变量），而 F 是为了 Full Frame（观察整体框架，即整个模型）。

5. 线性回归的假设

为了使我们的回归结果有效，必须遵守规则。如果打破了这些假设，我们的模型可能会误导我们！使用口诀 "LINE" 来记住它们：

• L - Linearity（线性）： \( X \) 与 \( Y \) 之间的关系必须是直线。
• I - Independence（独立性）： 观测值（误差项）之间互不相关。
• N - Normality（常态性）： 误差项呈正态分布。
• E - Equal Variance / Homoskedasticity（同方差性）： 误差的“散布”是恒定的。它们不会随着 \( X \) 的增大而变得更混乱。

总结： 如果 "LINE" 假设成立，我们的模型通常就是 "BLUE"（最佳线性无偏估计量）。

6. 预测值的置信区间

一旦有了模型，我们就可以预测未来的 \( Y \)。但因为世界充满不确定性，我们不会只给出一个数字，而是给出一个区间。

计算方式：
\( \hat{Y} \pm (t_c \times s_f) \)
其中 \( \hat{Y} \) 是我们的预测值，\( t_c \) 是临界值，而 \( s_f \) 是预测标准误 (standard error of the forecast)。

重要提示： \( X \) 的值距离历史平均值越远，你的置信区间就会变得越宽（不确定性越高）。预测未知的极端情况比预测“正常”的中间地带要困难得多！

最后快速回顾箱

• \( R^2 \)： 解释了多少“故事”（0 到 1）。
• 调整后 \( R^2 \)： 与 \( R^2 \) 相同，但会惩罚加入无用变量。
• t-检验： 检查 1 个变量是否显著。(df = \( n - k - 1 \))
• F-检验： 检查整个模型是否显著。(df = \( k \) 和 \( n - k - 1 \))
• SEE： 模型的平均“失误”或误差。
• 自由度 (Degrees of Freedom, \( df \))： \( n \) 是样本数，\( k \) 是自变量的个数。

如果公式看起来很吓人，别担心。在 CFA 考试中，你更有可能被要求解释 ANOVA 表格或 t-统计量，而不是从头开始计算所有东西。重点在于理解这些数字告诉了你什么！