歡迎來到線性回歸的世界！

你好，未來的 FRM 持證人！別被「線性回歸」(Linear Regression) 這個名字嚇到了。這個章節的核心其實非常簡單：就是尋找變數之間的關係。在金融領域，我們總是在探討一件事情（例如利率）如何影響另一件事情（例如債券價格）。線性回歸就是一種數學工具，它能幫助我們在雜亂的數據中畫出一條「最佳擬合線」(line of best fit)，讓我們看清背後的邏輯。如果你曾經看過散點圖，並試著在點與點之間畫出一條直線，那你其實已經做過回歸分析的基本功了！

研讀完這份筆記後，你將會學會如何構建這些模型、理解「Beta」係數的真正含義，以及如何判斷你的模型是一個可靠的工具，還是僅僅是一次幸運的猜測。

1. 單變數線性回歸模型

在單變數線性回歸中，我們探討兩個變數之間的關係：應變數 (Dependent Variable, \(Y\)) 與 自變數 (Independent Variable, \(X\))。

方程式：
\( Y_i = \beta_0 + \beta_1 X_i + \epsilon_i \)

讓我們將其拆解，逐一理解：
• \(Y_i\)（應變數）： 這是你試圖預測或解釋的目標（例如：股票回報率）。
• \(X_i\)（自變數/解釋變數）： 這是你認為會影響 \(Y\) 的因素（例如：市場回報率）。
• \(\beta_0\)（截距項）： 當 \(X\) 為零時，\(Y\) 的數值。在圖表上，它是直線與縱軸的交點。
• \(\beta_1\)（斜率係數）： 這是最重要的部分！它告訴我們 \(X\) 每變動 1 個單位時，\(Y\) 會發生多少變動。
• \(\epsilon_i\)（誤差項）： 這就是所謂的「雜訊」。現實世界的數據永遠不完美，誤差項代表了模型中未納入、但會影響 \(Y\) 的所有其他因素。

真實案例： 想像你的考試分數 (\(Y\)) 取決於溫習時數 (\(X\))。其中的 \(\beta_1\) 會告訴你每多溫習一小時能增加多少分數；而 \(\epsilon\) 則可能包括你的睡眠時間或考場環境是否吵雜等因素。

重點總結： 回歸分析能幫助我們精確量化一個變數改變時，另一個變數會產生多少程度的連動。

2. 普通最小平方法 (OLS) 估計

我們究竟該如何找出這條「最佳」直線呢？我們使用一種稱為普通最小平方法 (Ordinary Least Squares, OLS) 的技術。別擔心它聽起來很複雜，概念其實非常直觀。

OLS 的目標是找到一條直線，使得真實數據點與直線之間的垂直距離平方和**達到最小。我們之所以將距離取平方，是因為我們不希望正誤差與負誤差相互抵消，我們想要懲罰所有的「偏離」。

參考公式：
估計斜率 (\(\hat{\beta}_1\)) 的計算方式為：
\( \hat{\beta}_1 = \frac{Cov(X, Y)}{Var(X)} \)
截距 (\(\hat{\beta}_0\)) 的計算方式為：
\( \hat{\beta}_0 = \bar{Y} - \hat{\beta}_1 \bar{X} \)

快速回顧： OLS 通過最小化平方誤差給出「最佳擬合」線。這條線一定會通過 \(X\) 的平均值和 \(Y\) 的平均值。

3. 黃金法則：OLS 的假設條件

為了讓 OLS 產生可靠的結果（即成為「最佳線性不偏估計量」或稱 BLUE），必須滿足某些假設條件。如果這些規則被破壞，我們的模型可能會誤導我們！

1. 線性關係： \(X\) 與 \(Y\) 之間的關係必須是一條直線。
2. 隨機抽樣： 數據必須能代表總體情況。
3. 無完全共線性： \(X\) 必須具有變動性。如果 \(X\) 永遠是同一個數值，我們就無法觀察它如何影響 \(Y\)。
4. 外生性： 誤差項不能與 \(X\) 相關。這意味著 \(E(\epsilon | X) = 0\)。若違反此假設，將會產生遺漏變數偏差 (Omitted Variable Bias)。
5. 同質變異性 (Homoskedasticity)： 誤差項的「散佈」或變異數在所有 \(X\) 的數值下應保持恆定。

你知道嗎？ 如果上述假設成立，OLS 估計量就是現有方法中效率最高的。這被稱為高斯-馬可夫定理 (Gauss-Markov Theorem)。

4. 適配度：模型表現如何？

當我們畫出直線後，需要確認它是否表現良好。我們使用判定係數 (\(R^2\)) 來進行衡量。

\(R^2\) 解讀：
\(R^2\) 告訴我們 \(Y\) 的變異中有多少百分比是由 \(X\) 解釋的。
• \(R^2 = 0.80\) 代表 \(Y\) 的變動中有 80% 可以由我們的模型解釋。
• \(R^2\) 的數值範圍永遠在 0 到 1 之間。

公式：
\( R^2 = \frac{解釋變異平方和 (ESS)}{總變異平方和 (TSS)} \)
或者：\( 1 - \frac{殘差平方和 (SSR)}{TSS} \)

記憶小撇步： 將 TSS 想像成一個「完整的披薩」。ESS 是你真正吃掉的部分（已被解釋），而 SSR 則是留下的披薩邊（未被解釋的誤差）。

5. 假設檢定：關係是否真實存在？

僅僅因為我們找到了一個斜率 (\(\beta_1\))，並不代表它是「真實的」。它可能只是小樣本中的隨機巧合。我們使用 t-檢定 (t-test) 來進行驗證。

檢定步驟：
1. 設定虛無假設 (\(H_0\))： 通常我們假設 \(\beta_1 = 0\)（意味著 \(X\) 對 \(Y\) 沒有影響）。
2. 計算 t-統計量：
\( t = \frac{\hat{\beta}_1 - 假設數值}{ \hat{\beta}_1 的標準誤 } \)
3. 與臨界值比較： 如果你的 t-統計量絕對值大於臨界值（對於 5% 顯著水準，通常約為 2.0），你就可以拒絕虛無假設！

關鍵詞： p-值 (p-value) 指的是在虛無假設為真的情況下，觀察到此結果的機率。較低的 p-值（通常 < 0.05）意味著該關係具有「統計顯著性」。

常見誤區： 不要將統計顯著性與經濟顯著性混淆。一個變數可能具有統計顯著性 (p < 0.05)，但其斜率 (\(\beta_1\)) 可能非常微小，以至於在現實金融操作中毫無意義。

6. 信賴區間

我們通常不會只給出一個估計點，而是提供一個範圍，這就是信賴區間 (Confidence Interval)。

公式：
\( \hat{\beta}_1 \pm (t_{臨界值} \times SE_{\hat{\beta}_1}) \)

如果我們想要 95% 的信賴區間，代表我們有 95% 的把握認為真實的總體參數落在這個範圍內。如果該區間包含了零，則表示該關係在統計上是不顯著的！

快速總結表：
• 高 t-統計量 (> 2)： 具顯著關係。
• 低 p-值 (< 0.05)： 具顯著關係。
• 信賴區間包含 0： 不顯著。

結語

線性回歸是量化金融的基石。無論你是計算股票的「Beta」，還是試圖預測通膨，你都在使用這些工具。請記住：OLS 最小化平方誤差、\(R^2\) 衡量適配度，以及 t-檢定檢查顯著性。掌握這三個支柱，你一定能在 FRM 考試的這部分拿到高分！