迴歸結構轉折的 Chow 檢定

在很長的樣本上配適一個迴歸模型，可能會掩蓋結果變數與預測變數之間的關係已經改變。例如，市場結構改變前後，投資組合對廣泛市場報酬的估計曝險可能不同。Chow 檢定把這個問題轉化為一個聯合假設：在事先指定的日期兩側，迴歸係數是否相同。

假設模型有 k 個係數，包括截距。虛無假設是轉折前後的係數向量相等；對立假設則是至少一個受檢係數不同。Gregory Chow 於 1960 年發表的原始論文，將問題表述為檢驗兩個線性迴歸的係數組合是否相等，見 Chow 的論文。

「結構轉折」在這裡是指所選模型表示的條件關係改變。它不代表資料生成過程的所有部分都改變，也不會指出改變原因。拒絕結果表示，在所選樣本、模型和日期下，資料不支持受檢的穩定性限制。不拒絕則不等於證明這種關係往後會一直穩定。

令 y 表示結果變數，x 包含截距和納入模型的解釋變數。合併迴歸在整個樣本中施加同一個係數向量。若允許日期之後的係數改變，可定義指示變數 D：轉折前為 0，之後為 1，再將 D 與每個迴歸量相乘：y = x′β + D·x′δ + u。轉折前的係數向量為 β，轉折後則為 β + δ。

完整穩定性虛無假設為 H₀: δ = 0，也就是同時限制截距和模型中的所有斜率。若迴歸包含截距和兩個預測變數，則 k = 3。如果研究問題只關心市場 Beta，就只檢驗市場報酬預測變數所對應的交互作用項；不要把這個較窄的問題說成檢驗所有係數。

交互作用項形式說明了樣本分割計算所檢驗的內容。合併迴歸是受限模型，強制轉折前後的係數相同；兩個分組迴歸則是非受限模型，分別估計各組的係數向量。只要使用相同觀測值、解釋變數和限制，兩種做法檢驗的就是同一個「所有係數相等」虛無假設。

<!-- 插圖說明：無文字的概念畫面，展示一組觀測點在明確的時間界線處分成兩組；上方是一條適用於兩組的共同配適關係，下方則呈現轉折前後不同的配適關係。不要出現文字、標籤、數值、座標軸文字、標誌或介面元素。 -->

古典 Chow 檢定把轉折日期視為已給定。日期可以根據外部規則變更、已知的合約改版、資料定義改變，或其他獨立於結果而確定時間的事件。研究仍需說明如何處理日期當天的觀測值，以及報酬、資訊發布和交易所時段是否按一致規則對齊。

固定日期的 Chow 檢定表示一次突然改變。規則可能在正式生效前就已公布並被市場提前反映，推行可能分階段進行，交易條件也可能在多個時間點改變。應根據可能改變觀測關係的機制，區分公告日、生效日和實際實施日。若事先設定的問題包含漸進反應，斜坡項或分布式交互作用項可能比單一階躍指示變數更合適。但事後比較多種形狀並選出 p 值最小的方案，會帶來新的搜尋問題。

如果研究者嘗試許多日期，再報告 F 統計量最大的日期，最後的統計量便是經過樣本內篩選的結果。一般的單一固定日期 F 參考分布沒有考慮這種篩選。對多個資產、結果變數、樣本期間或預測變數組合重複檢定，也會產生相同問題：最顯著的結果可能部分來自搜尋，而不是關係不穩定。

轉折日期未知時，應使用專門針對此問題設計的程序。Andrews 對未知轉折點下參數不穩定性的研究指出，這類檢定的虛無分布並非常態；臨界值不能直接沿用一般固定日期 Chow F 臨界值。若有多個未知轉折點，Bai 和 Perron 提出了檢定與估計多個轉折日期的方法。這些方法各有假設和端點截尾選擇，並非每條時間序列都能直接套用。參見 Andrews（1993）與 Bai 和 Perron（1998）。

先配適一個合併迴歸，記錄其殘差平方和 SSRₚ。再分別配適指定日期前後的迴歸，記錄 SSR₁ 和 SSR₂。允許完整係數向量不同的古典統計量為 F = [(SSRₚ − SSR₁ − SSR₂) / k] ÷ [(SSR₁ + SSR₂) / (n₁ + n₂ − 2k)]。其中 n₁ 和 n₂ 是兩組的觀測數，k 是每組估計的係數數量，包括截距。

分子是施加 k 個相等限制後，合併模型增加的平方誤差除以限制數量。分母用分組模型的殘差自由度估計共同誤差變異數。參考分布的分子自由度為 k，分母自由度為 n₁ + n₂ − 2k。每組都必須有足夠的獨立資訊估計 k 個係數；若設計矩陣的秩不足，這項比較就不能使用。

這個公式用於一次檢驗全部 k 個係數，並且依賴古典線性模型條件，包括誤差彼此獨立、服從常態分布，而且兩組的變異數相同。若只檢驗 q 個限制，應使用有效的受限模型對非受限模型聯合 F 檢定，分子自由度為 q；不要只把完整分組 SSR 公式裡的 k 換成 q，卻保留原本的模型不變。對含交互作用項的設計矩陣，也可以用聯合 Wald 檢定表達相應限制。

假設研究者想判斷投資組合的每週報酬與市場因子及第二個風險因子的關係，是否在事先選定的某日期之後改變；該日期來自一項假設的交易所規則變更。模型包含截距和兩個因子斜率，因此 k = 3。轉折前有 n₁ = 80 個觀測，之後有 n₂ = 100 個。所有數值都是為示範計算而虛構，並非市場估計值。

假設合併迴歸的 SSRₚ = 360（基點）²，而分組迴歸的 SSR₁ = 130、SSR₂ = 150。合併限制增加的平方誤差為 360 − 130 − 150 = 80。分子為 80 / 3 = 26.67。分組模型的殘差自由度為 80 + 100 − 2 × 3 = 174，因此分母為 280 / 174 ≈ 1.609。結果為 F(3, 174) ≈ 16.57；在上述古典假設下，常規右尾 p 值約為 1.6 × 10⁻⁹。5% 臨界值約為 2.66，因此這個假設計算會拒絕「所有係數穩定」。

結論應嚴格限定為：在模型和誤差條件合適的前提下，至少一個係數在兩個樣本之間不同。統計量沒有說明市場 Beta 上升還是下降；這需要檢查係數估計值及其不確定性。它也不能證明規則變更造成差異，更不能單獨說明轉折後的預期報酬、可執行預測或扣除成本後的策略表現。

截距改變可能表示控制納入的預測變數後，y 的條件平均數在轉折後改變。斜率改變可能表示結果變數對某個預測變數的估計反應改變。完整 Chow 檢定同時檢驗這些可能性。拒絕結果表示資料不支持受檢係數向量相等；除非進一步檢查估計結果並施加適當限制，否則不能確定是哪個係數改變。

逐一檢驗係數不能取代聯合檢定。多個幅度不大的改變合在一起，可能與係數完全相等不一致，即使沒有任何單一係數檢定特別明確。反過來，在檢視多個候選項後才挑出顯著的單一係數，也可能是多重檢定的結果。先說明聯合假設，再報告係數估計、信賴區間，以及能回答研究問題且具經濟意義的差異。

Chow 檢定也不同於中斷時間序列分析。後者會建立介入前趨勢，並估計相對於該軌跡的水準和／或趨勢改變。Chow 檢定詢問指定的迴歸係數在兩組之間是否相同；它本身不會建立介入反事實。事件日期附近的轉折也可能來自同時發生的其他衝擊、樣本組成改變或測量流程調整。現有的[中斷時間序列指南](/zh-TW/learn/interrupted-time-series-segmented-regression-finance-explained)介紹介入軌跡；單憑係數差異不能識別因果關係。

有關中斷時間序列研究設計的回顧，參見 Bernal、Cummins 和 Gasparrini 的論文。

當誤差存在序列相關、異質變異，或不符合共同變異數模型時，簡單 Chow F 參考分布可能產生誤導。金融報酬的條件變異數經常改變；相鄰觀測可能共享資訊或衝擊，市場休市前後的觀測也可能與一般相鄰交易時段不同。圖上看似合理的轉折，不會自動符合古典誤差假設。

要區分條件平均關係改變與殘差變異數改變。若斜率穩定但不同制度下的誤差變異數不同，共同變異數假設便不成立；古典分組 SSR 統計量可能因此把錯誤原因當成係數不穩定。相反地，穩健共變異數估計會改變不確定性的計算，但本身不會檢驗係數是否穩定。應分別檢查交互作用項限制和殘差尺度，不要把兩者當成同一項診斷問題。

一種做法是在合併迴歸中用交互作用項表示轉折，再以適合資料的共變異數估計量檢驗指定係數限制。White 的異質變異數一致共變異數估計處理與古典公式不同的誤差變異模式；Newey–West HAC 估計量在其條件下允許異質變異數和自我相關。這些方法不會保留古典有限樣本 F 分布。穩健 Wald 統計量通常依賴漸近近似，落後期數或頻寬仍需說明理由。參見 White 的共變異數論文和 Newey–West。

穩健共變異數估計不能修復遺漏預測變數、不恰當的函數形式、內生解釋變數、根據同一結果序列篩選轉折日期，或任一制度下觀測不足等問題。應檢查殘差依賴、變異數改變、影響點，以及在合理樣本期間下結果是否穩定。若應變數或解釋變數非定態，應先確定迴歸代表什麼，再把顯著轉折統計量視為有關穩定關係的有意義證據。

要讓結果可重現，應說明結果變數、預測變數、變數轉換、樣本頻率、轉折日期兩側的觀測數、確切日期規則，以及所有係數限制。對古典計算，應列出合併與分組 SSR、k、自由度、F 統計量、p 值和誤差假設。對穩健交互作用檢定，應註明共變異數估計量、調整參數，以及推論採用有限樣本還是漸近參考分布。

應同時呈現轉折前後的係數估計及其不確定性，而不只是「拒絕」標籤。說明估計差異在經濟上是否重要、能否通過合理替代期間和預測變數定義的檢查，以及日期是事先指定還是經由搜尋選出。係數轉折可以促使研究者檢視模型、重新估計或建立監控規則，但它本身不證明應該改變交易策略，也不證明新策略會有效。

如果用於預測或交易，應只使用每個歷史決策時間當時可取得的資訊測試後續反應。應在樣本外與清楚的基準比較預測或投資組合結果，並納入週轉率、買賣價差、費用、適用的資金費和容量限制。樣本內顯著轉折是模型穩定性的診斷，不是未來 alpha 的證據。有關迴歸解讀，可接著閱讀 [OLS 指南](/zh-TW/learn/ols-regression-coefficients-assumptions-finance-explained)；有關相依誤差下的推論，參見[穩健標準誤指南](/zh-TW/learn/robust-standard-errors-heteroskedasticity-hac-finance-explained)。