在 FRM（金融风险管理师）考试的定量分析部分，回归分析不仅是核心考点，更是贯穿风险管理模型的基础工具。无论是 Part 1 的估值与风险模型，还是 Part 2 的市场风险计量，理解线性回归的原理及其在金融场景中的应用至关重要。然而，许多考生在备考过程中往往只关注公式记忆，忽略了实际操作中的细节与陷阱。本文将深入解析线性回归的核心概念，提供计算器实战指南，并总结常见错误，帮助考生高效避坑。
线性回归旨在通过一个线性方程来描述因变量（Y）与一个或多个自变量（X）之间的关系。在 FRM 考试中，最常见的是简单线性回归模型：
$$ Y = \alpha + \beta X + \epsilon $$
其中，$\alpha$ 是截距项，$\beta$ 是斜率系数，$\epsilon$ 是误差项。该模型的核心估计方法是最小二乘法（Ordinary Least Squares, 最小二乘法）。其基本思想是寻找一组参数估计值，使得所有观测点的实际值与回归线预测值之间的残差平方和最小。
在金融应用中，例如资本资产定价模型（CAPM），我们常利用回归分析来估计资产的 Beta 值。此时，Y 代表资产超额收益，X 代表市场组合超额收益，回归得到的斜率即为 Beta。理解这一背景有助于考生在遇到情境题时快速识别变量角色。
FRM 考试允许使用德州仪器 BA II Plus 计算器。熟练掌握其统计功能能大幅节省计算时间。此外，对于使用 iOS 设备的考生，推荐使用 RBA Calculator（TI BA II Plus iOS 应用），其界面与实体计算器高度一致，适合日常练习。你可以在这里下载：https://apps.apple.com/cn/app/id1545331477。
假设我们要分析某股票收益率（Y）与市场指数收益率（X）之间的关系。给定以下 4 组样本数据：
| 样本 | 市场收益率 X (%) | 股票收益率 Y (%) |
|---|---|---|
| 1 | 2 | 3 |
| 2 | 4 | 5 |
| 3 | 6 | 7 |
| 4 | 8 | 6 |
任务： 计算回归系数（斜率和截距）、相关系数（r）及决定系数（R-squared）。
2nd 键，然后按下 DATA 键（即 7 键）。2nd 键，然后按下 CLR WORK 键（即 CE/C 键），确保显示 X01=0.0000。2 ENTER (下移)3 ENTER (下移)4 ENTER, 5 ENTER, 6 ENTER, 7 ENTER, 8 ENTER, 6 ENTER。2nd 键，然后按下 STAT 键（即 8 键）。LIN（代表线性回归）。这是关键步骤，若选错模型（如 LOG 或 EXP），结果将完全错误。b= (斜率系数，即 Beta)a= (截距项)r= (相关系数)r²= (决定系数，即 R-squared)n= (样本数量)通过上述操作，考生可快速得出回归方程。在考试中，题目常要求根据回归方程进行预测，例如当 X=5 时，预测 Y 的值。只需将 X 代入计算即可。
在 FRM 考试中，关于回归知识的陷阱往往隐藏在假设检验和结果解释中。以下是考生最容易失分的几个点：
考生常混淆“回归估计的标准误差”（Standard Error of the Estimate, SEE）与“回归系数的标准误差”（Standard Error of the Coefficient）。SEE 衡量的是观测值围绕回归线的离散程度，而系数标准误差用于计算 t 统计量以检验系数是否显著不为零。若题目要求计算 t 值，必须使用系数的标准误差，而非 SEE。
OLS 回归的有效性依赖于若干假设，包括同方差性（Homoskedasticity）和无序列相关。如果残差存在异方差性，系数的估计虽然无偏，但标准误差将不再有效，导致 t 检验失效。在 FRM Part 2 中，考生需识别何时应使用稳健标准误差（Robust Standard Errors）来修正这一问题。
当两个时间序列均为非平稳序列（如含有单位根）时，即使它们之间没有实际经济联系，回归结果也可能显示极高的 R-squared 和显著的 t 统计量，这被称为虚假回归。避坑指南是：在处理时间序列数据前，务必先检验数据的平稳性。
回归分析只能揭示变量间的统计关联，不能证明因果关系。在解释结果时，切勿断言 X 导致了 Y 的变化，除非有坚实的理论支撑。
Q1: R-squared 和 Adjusted R-squared 有什么区别？
A: R-squared 衡量模型对数据的拟合程度，但随着自变量数量增加，R-squared 只会增加不会减少。Adjusted R-squared 考虑了自变量的个数，对增加无用变量进行惩罚。在多元回归中，通常参考 Adjusted R-squared 来评估模型优劣。
Q2: 什么时候需要在回归中加入虚拟变量（Dummy Variables）？
A: 当自变量是定性变量（如性别、地区、是否发生金融危机）时，需要将其转化为 0 或 1 的虚拟变量纳入回归模型。注意，若有 m 个类别，只需引入 m-1 个虚拟变量以避免虚拟变量陷阱（完全共线性）。
Q3: 如何判断回归系数是否显著？
A: 通常查看 t 统计量。在 5% 的显著性水平下，若 t 统计量的绝对值大于 1.96（大样本情况下），则拒绝原假设，认为系数显著不为零。也可以直接查看 p 值，若 p 值小于 0.05，则显著。
Q4: 多重共线性会有什么影响？
A: 多重共线性指自变量之间存在高度相关。它不会导致系数估计有偏，但会增大系数的标准误差，使得 t 统计量变小，导致原本显著的变量变得不显著。解决方法包括剔除相关变量或使用主成分分析。
线性回归是 FRM 定量分析的基石。掌握 最小二乘法 的原理，熟练使用 BA II Plus 或 RBA Calculator 进行 LIN 模式计算，并警惕异方差、虚假回归等陷阱，是顺利通过考试的关键。建议考生在备考期间多进行实操演练，不仅要在纸上推导公式，更要动手输入计算器，确保在紧张考试环境下能准确无误地输出结果。祝各位考生备考顺利，早日持证！