第3章经典线性回归模型（CLRM）

3. 经典线性回归模型（CLRM）：模型设定、OLS估计量推导、高斯-马尔可夫定理、拟合优度R²

各位同学，今天我们聊一个非常核心的话题——经典线性回归模型，简称CLRM。说实话，这玩意儿是金融计量经济学的基石。我当年刚入行时，觉得它太简单，不就是画条线嘛。结果在实际项目中，因为没吃透它的假设条件，吃了不少亏。今天咱们就把这块硬骨头啃下来。

先说说CLRM到底长什么样。它的数学形式是这样的：

Y_i = β₁ + β₂X_i + u_i

其中Y是被解释变量，X是解释变量，β是待估参数，u是随机误差项。嗯，这里要注意，下标i表示第i个观测值。

但光有公式不够。CLRM之所以叫「经典」，是因为它有五个严格的假设条件。我习惯把这五个假设记成「LINE」加一个补充：

你想想看，这五个假设缺一个，OLS估计量的性质就会打折扣。我在做股票收益率建模时，就遇到过异方差问题——波动率大的时候，估计结果完全不可靠。

核心要点：CLRM的假设不是摆设。它们是OLS估计量成为「最佳线性无偏估计量」的前提条件。少了任何一个，你的结论可能都是错的。

好了，模型设定了，接下来怎么估计参数？最常用的方法就是普通最小二乘法，简称OLS。

OLS的核心思想很简单：找到一组β，使得残差平方和最小。残差就是实际值减去拟合值：

残差 e_i = Y_i - (β₁ + β₂X_i)
残差平方和 RSS = Σ e_i² = Σ [Y_i - (β₁ + β₂X_i)]²

我们要最小化RSS。怎么做？求偏导，令其等于零。这就是微积分的基本操作：

∂RSS/∂β₁ = -2 Σ (Y_i - β₁ - β₂X_i) = 0
∂RSS/∂β₂ = -2 Σ X_i(Y_i - β₁ - β₂X_i) = 0

解这个方程组，就得到了OLS估计量的表达式：

β̂₂ = Σ (X_i - X̄)(Y_i - Ȳ) / Σ (X_i - X̄)²
β̂₁ = Ȳ - β̂₂X̄

说白了，β̂₂就是X和Y的协方差除以X的方差。这个公式我建议你背下来，因为后面几乎所有模型都会用到这个思想。

个人经验：我在做因子模型时，经常用矩阵形式来推导OLS。矩阵形式更简洁：β̂ = (X'X)⁻¹X'Y。但要注意，X'X必须可逆，这意味着不能有完全多重共线性。我曾经因为两个变量高度相关，导致矩阵接近奇异，估计结果完全失控。

你可能会问：为什么大家都用OLS？有没有更好的方法？

高斯-马尔可夫定理回答了这个问题。它说：在CLRM的假设下，OLS估计量是所有线性无偏估计量中方差最小的。换句话说，OLS是BLUE——Best Linear Unbiased Estimator。

这个定理有三个关键词：

我记得刚学这个定理时，觉得它很抽象。后来做蒙特卡洛模拟，对比了OLS和其他估计方法，才真正理解它的威力。在满足假设的情况下，OLS确实是最优的。

避坑指南：高斯-马尔可夫定理只在CLRM假设成立时有效。如果存在异方差或自相关，OLS就不再是最佳的了。我曾经在分析时间序列数据时忽略了自相关，结果标准误被严重低估，导致错误的统计推断。

估计完参数后，我们得知道模型拟合得怎么样。R²就是干这个的。

R²的定义是：

R² = 1 - RSS / TSS

其中：

所以R² = ESS / TSS，表示模型解释的变异占总变异的比例。取值范围在0到1之间。越接近1，说明模型拟合越好。

但这里有个坑：R²会随着解释变量数量的增加而增加，哪怕加入的变量毫无意义。所以我们需要调整R²：

调整R² = 1 - (RSS/(n-k)) / (TSS/(n-1))

其中n是样本量，k是参数个数。调整R²会对多余的变量进行惩罚。

实战建议：我一般不会只看R²。在金融领域，R²达到0.3就算不错了，因为市场噪音太大。更重要的是看系数的经济意义和统计显著性。别为了追求高R²而盲目加入变量，那叫过拟合。

为了让你更直观地理解本章的知识结构，我画了一张图：

这张图把本章的核心内容串起来了。从模型设定出发，到OLS估计，再到高斯-马尔可夫定理保证其最优性，最后用R²评估拟合效果。每一步都环环相扣。

今天的内容就到这里。我们讲了CLRM的五个假设、OLS估计量的推导、高斯-马尔可夫定理以及R²的含义。这些是金融计量经济学最基础也最重要的内容。

我个人建议你动手做一个小练习：找一组金融数据（比如股票收益率和市场指数），用Excel或Python跑一个简单回归，计算R²，看看结果是否符合你的预期。实践出真知，光看理论是不够的。

记住，CLRM是起点，不是终点。后面我们会逐步放松假设，学习更复杂的模型。但基础打牢了，后面才能走得稳。