在 FRM（金融风险管理师）考试的定量分析部分，线性回归分析无疑是重中之重。无论是第一部分的数量分析基础，还是第二部分的市场风险与信用风险模型，回归模型都是理解变量间关系的核心工具。掌握这一技能，不仅是通过考试的关键，更是未来从事风险管理工作的基石。本文将深入解析线性回归的核心概念，结合 TI BA II Plus 计算器实操，帮助考生高效提分。
线性回归旨在通过一个自变量（X）来预测或因变量（Y）的变化。在金融领域，我们常利用它来估计资产的 Beta 系数，或者分析利率变动对债券价格的影响。最简单的形式是简单线性回归模型：
$$Y_i = \beta_0 + \beta_1 X_i + \epsilon_i$$
其中，$\beta_0$ 是截距项，$\beta_1$ 是斜率系数（即回归系数），$\epsilon_i$ 是误差项。理解这个方程的含义是解题的第一步。在 FRM 考试中，考生需要能够解释 $\beta_1$ 的经济含义：当 X 增加一个单位时，Y 平均变化的数量。
此外，模型的有效性依赖于几个关键假设，包括线性关系、误差项均值为零、同方差性以及无自相关性。如果这些假设被违背，比如出现异方差性（Heteroskedasticity），回归结果虽然无偏但不再有效，标准误的计算也会出错，进而影响假设检验的结论。
构建回归方程的核心方法是最小二乘法（Ordinary Least Squares, OLS）。其基本思想是寻找一条直线，使得所有观测点到这条直线的垂直距离（即残差）的平方和最小。
$$\sum (Y_i - \hat{Y}_i)^2 \rightarrow \min$$
通过数学推导，我们可以得到 $\beta_0$ 和 $\beta_1$ 的估计公式。在考试中，虽然不需要手动推导公式，但理解其原理有助于判断题目陷阱。例如，OLS 估计量是最佳线性无偏估计量（BLUE），这意味着在所有线性无偏估计量中，它具有最小的方差。
考生需要注意，OLS 对异常值非常敏感。一个极端的数据点可能会大幅拉扯回归线，导致斜率系数发生剧烈变化。因此，在分析回归结果时，务必检查数据的分布情况。
在 FRM 考试中，熟练使用计算器能大幅节省时间。TI BA II Plus 是官方推荐计算器，其统计功能可以直接计算回归系数。对于使用 iOS 设备的考生，也可以下载 RBA Calculator（TI BA II Plus iOS 应用）进行模拟练习，界面与实体机高度一致，链接如下：https://apps.apple.com/cn/app/id1545331477。
以下是使用 BA II Plus 进行线性回归计算的标准步骤：
2nd 键，然后按下 DATA 键（即数字 7），进入统计工作表。2nd 键，然后按下 CLR WORK 键，确保之前的统计数据被清空。ENTER。↓ 键，输入对应的 Y 值，按 ENTER。2nd 键，然后按下 STAT 键（即数字 8）。↓ 键滚动查看结果。2nd SET 键切换。题目背景：
假设你正在分析某股票（Y）相对于市场指数（X）的回报率。过去 5 期的数据如下表所示：
| 期数 | 市场指数回报 X (%) | 股票回报 Y (%) |
|---|---|---|
| 1 | 2.0 | 3.0 |
| 2 | 3.0 | 4.5 |
| 3 | 1.0 | 1.5 |
| 4 | 4.0 | 6.0 |
| 5 | 5.0 | 7.5 |
任务：
1. 计算回归方程的斜率和截距。
2. 如果市场指数回报为 6%，预测该股票的回报率。
BA II Plus 操作步骤：
1. 2nd DATA (7) -> 2nd CLR WORK。
2. 输入 2 ENTER ↓ 3 ENTER。
3. 输入 3 ENTER ↓ 4.5 ENTER。
4. 输入 1 ENTER ↓ 1.5 ENTER。
5. 输入 4 ENTER ↓ 6 ENTER。
6. 输入 5 ENTER ↓ 7.5 ENTER。
7. 2nd STAT (8)。
8. 按 ↓ 直到看到 LIN。
9. 继续按 ↓，看到 b = 1.5（斜率）。
10. 继续按 ↓，看到 a = 0（截距）。
结果解析：
回归方程为：$\hat{Y} = 0 + 1.5X$。
当 $X = 6\%$ 时，$\hat{Y} = 1.5 \times 6 = 9\%$。
此例题展示了最小二乘法在计算器上的快速应用。斜率 1.5 意味着市场每上涨 1%，该股票平均上涨 1.5%，表明该股票具有较高的系统性风险。
在 FRM 备考过程中，考生常在回归分析部分犯以下错误：
Q1: 相关系数与回归系数有什么区别？
相关系数（r）衡量两个变量之间线性关系的强度和方向，范围在 -1 到 1 之间，没有单位。而回归系数（slope）表示 X 变化一个单位时 Y 的具体变化量，有单位。相关系数高不代表回归系数大，因为回归系数还受变量标准差的影响。
Q2: 如果误差项存在异方差性，后果是什么？
异方差性意味着误差项的方差不是常数。这会导致 OLS 估计量虽然无偏，但不再是有效的（方差不是最小）。更重要的是，标准误的计算会出错，导致 t 检验和 F 检验失效，你可能错误地认为某个变量显著。
Q3: 如何判断回归模型是否适合用于预测？
除了检查 $R^2$ 和调整后的 $R^2$ 外，还需要检查残差图。如果残差随机分布，说明模型拟合较好；如果残差呈现某种模式（如 U 型），则可能存在非线性关系。此外，样本外测试也是验证预测能力的重要手段。
Q4: 为什么 FRM 考试强调 LIN 模式？
因为在金融数据中，线性关系是最基础的假设。虽然存在对数线性模型等变体，但在基础统计工作中，LIN 模式对应的是标准简单线性回归。考生需熟悉如何在计算器上切换模式（如 Q-R 模式用于二次回归），避免选错导致结果错误。
线性回归分析是 FRM 考生必须跨越的一道门槛。它不仅涉及理论理解，更考验实操计算能力。通过掌握最小二乘法的原理，熟练运用 BA II Plus 或 RBA Calculator 进行操作，并警惕常见的统计陷阱，你将在定量分析部分建立起坚实的优势。记住，回归不仅仅是计算数字，更是理解金融市场变量间因果逻辑的工具。祝愿各位考生在备考路上顺利通关，成功拿下 FRM 认证。