线性回归分析是FRM Part I定量方法部分的核心考点，也是风险管理建模的基础工具。在回归分析中，最小二乘法（OLS）作为参数估计的核心方法，几乎每年都会在考试中以不同形式出现。然而，许多考生在复习时容易将回归系数、R²、t统计量、F统计量等概念混淆，导致在考场上失分。本文将系统对比这些高频混淆考点，帮助你建立清晰的认知框架。
简单线性回归模型的基本形式为：
$$Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i$$
其中：
- $\beta_0$ 为截距项（Intercept）
- $\beta_1$ 为斜率系数（Slope Coefficient）
- $\varepsilon_i$ 为随机误差项
在FRM考试中，理解回归系数的经济含义至关重要。$\beta_1$ 表示当自变量 $X$ 变动一个单位时，因变量 $Y$ 的预期变动量。
最小二乘法的本质思想是：寻找一组参数 $(\beta_0, \beta_1)$，使得所有观测点到回归线的残差平方和（Sum of Squared Residuals, SSR）最小化。
$$\min_{\beta_0, \beta_1} \sum_{i=1}^{n} (Y_i - \beta_0 - \beta_1 X_i)^2$$
通过求导并令导数为零，可以得到OLS估计量的解析解：
$$\hat{\beta}1 = \frac{\sum(X_i - \bar{X})(Y_i - \bar{Y})}{\sum(X_i - \bar{X})^2} = \frac{SS{XY}}{SS_{XX}}$$
$$\hat{\beta}_0 = \bar{Y} - \hat{\beta}_1 \bar{X}$$
FRM考试要求考生掌握OLS的五大经典假设：
| 对比维度 | R² | 调整R² |
|---|---|---|
| 公式 | $R^2 = 1 - \frac{SSR}{SST}$ | $\bar{R}^2 = 1 - (1-R^2)\frac{n-1}{n-k-1}$ |
| 取值范围 | [0, 1] | 可能为负值 |
| 随变量增加 | 单调递增 | 不一定递增 |
| 适用场景 | 单自变量回归 | 多自变量回归比较 |
关键区别：R² 衡量模型对因变量变异性的解释比例，而调整R² 对自变量个数进行了惩罚。在简单线性回归中（k=1），两者数值接近；但在多元回归中，调整R² 更能反映模型的真实解释力。
在简单线性回归中，$F = t^2$，但这一关系在多元回归中不再成立。
某分析师收集了5组数据，研究市场收益率（X）对某基金收益率（Y）的关系：
| i | X（市场收益率%） | Y（基金收益率%） |
|---|---|---|
| 1 | 2.0 | 3.5 |
| 2 | 4.0 | 6.2 |
| 3 | 6.0 | 8.8 |
| 4 | 3.0 | 4.9 |
| 5 | 5.0 | 7.1 |
要求：使用最小二乘法估计回归方程，并计算 $\hat{\beta}_1$ 和 $\hat{\beta}_0$。
$$\bar{X} = \frac{2+4+6+3+5}{5} = 4.0$$
$$\bar{Y} = \frac{3.5+6.2+8.8+4.9+7.1}{5} = 6.1$$
$$SS_{XX} = \sum(X_i - \bar{X})^2 = 4+0+4+1+1 = 10$$
$$SS_{XY} = \sum(X_i - \bar{X})(Y_i - \bar{Y}) = (-2)(-2.6)+0+2(2.7)+(-1)(-1.2)+1(1) = 5.2+0+5.4+1.2+1.0 = 12.8$$
$$\hat{\beta}1 = \frac{SS{XY}}{SS_{XX}} = \frac{12.8}{10} = 1.28$$
$$\hat{\beta}_0 = 6.1 - 1.28 \times 4.0 = 6.1 - 5.12 = 0.98$$
回归方程：$\hat{Y} = 0.98 + 1.28X$
使用TI BA II Plus计算器进行线性回归（LIN）计算：
2nd → CLR DATA（或 2nd → 7 → ENTER）2nd → 7（进入STAT模式）2 选择 LIN（线性回归）ENTER 确认↓ 进入 Lx 输入2 ENTER → 4 ENTER → 6 ENTER → 3 ENTER → 5 ENTER↓ 进入 Ly 输入3.5 ENTER → 6.2 ENTER → 8.8 ENTER → 4.9 ENTER → 7.1 ENTER2nd → 7（回到STAT菜单）5（计算）→ ENTER↓ 查看 b（斜率）= 1.28↓ 查看 a（截距）= 0.98↓ 查看 r（相关系数）↓ 查看 r²（决定系数）对于iOS用户，推荐下载 RBA Calculator（TI BA II Plus模拟器），它完美还原了物理计算器的操作体验，方便在备考过程中随时练习回归计算。
📱 下载链接：RBA Calculator - TI BA II Plus
该应用完全兼容FRM考试所需的统计功能，包括线性回归（LIN）、相关系数计算等，是纸质教材的理想补充工具。
在回归分析中，X是解释变量（自变量），Y是被解释变量（因变量）。将两者颠倒会导致完全不同的经济含义和统计结论。例如，用基金收益率预测市场收益率与用市场收益率预测基金收益率是两个不同的模型。
R² 高只说明模型拟合好，并不意味着预测能力强。在风险管理中，过拟合（Overfitting）是回归模型的常见陷阱，尤其是在使用过多自变量时。
当多元回归中存在高度相关的自变量时，回归系数的估计变得不稳定，标准误增大，t检验可能失效。FRM考试中常以"VIF（方差膨胀因子）"的形式考查这一概念。
相关系数高不代表因果关系。在金融风险管理中，两个变量可能同时受第三因素影响（伪回归问题），考生需要特别警惕。
简单线性回归（一元回归）的考频略高于多元回归，但两者都会涉及。简单回归侧重手工计算和基本理解，多元回归侧重F检验、调整R²和多重共线性判断。建议优先掌握简单回归的完整计算流程。
当需要预测（prediction）或量化影响程度（quantify impact）时，应使用回归分析。相关分析仅衡量两个变量的线性关联强度和方向，而回归分析可以给出具体数值变化关系，并支持统计推断。
在CAPM回归 $R_i - R_f = \alpha + \beta(R_m - R_f) + \varepsilon$ 中：
- 斜率 $\beta$ 即为Beta系数，衡量个股对市场风险的敏感度
- 截距 $\alpha$ 为Jensen's Alpha，代表超额收益
- 这是FRM考试中回归应用的高频场景
重要但不会要求手工计算。考生需要理解：残差正态性检验（如Jarque-Bera检验）用于验证OLS假设是否成立。如果残差不服从正态分布，置信区间和假设检验的结论可能不可靠，这对风险管理模型的可靠性有直接影响。
线性回归分析作为FRM考试的基石性知识点，其核心在于理解最小二乘法的统计逻辑、掌握回归系数的经济解释、以及区分R²、调整R²、t统计量和F统计量的适用场景。建议考生在备考中：
掌握回归分析，就是在风险管理建模的道路上打下最坚实的一步。