【线性回归】Simple Linear Regression

我们常说的线性回归，也就是SLR，可以用在横向数据和纵向数据上，分别可以去预测一段时间的资产表现、预测影响资产的因素，可以去做归因分析，这是最常用的。

线性回归的本质，也就是在给定X和Y的基础上，让Sum of Squared Error最小，获得截距项和斜率，用这两项就可以预测Y，去使用线性回归模型的前提是你先要看到X和Y的图像像是满足线性关系，同时也要考虑到线性回归的另外三个假设：独立、残差正态分布、残差同方差，如果不满足的话就不能用线性回归，而且你在之后做完线性回归之后的残差项也会有形态，其实这四项关键假设去看残差图就行，看是否有形态和可能会出现自相关性。（如果样本足够多，可以不用满足残差是正态分布这一假设，因为可以用大数定理来推导出残差是正态分布的）

如何衡量当前模型是个好模型，要用Goodness of Fit，也就是R方=SSR/SST，R方越大模型越好，SSE越小模型越好。但是R方只是描述方式，如果想数学上判定显著性，还要用到F检验，F检验就是ANOVA检验，F=MSR/MSE，看是否有一个斜率不等于零，针对简单一元线性回归，就相当于检查斜率是否不等于0。

然后就可以做假设检验了，一般对于因子检验，就是检验斜率的显著性水平，如果想看斜率的显著性也是有公式的，F检验是检验是否有一个斜率不为0，对于简单一元线性回归来说，就是检验斜率是否为0，如果想检验是否可以是其他值，就要用到T检验了。P值就是拒绝原假设的最小的显著性水平。

回归时候，可以考虑把自变量X设置为1或者0，其斜率代表X和Y均值的差异。

在金融领域，如果简单线性回归不适用，也可以试试把自变量、因变量、自变量和因变量做对数转化，变化率也许是可以用线性回归建模的。