この記事で分かること
- 回帰分析（OLS・最小二乗法）が「関係の強さ」ではなく「関係の形」を数式にする仕組みと、何を最小化しているのか
- 決定係数R²の正しい読み方：SST=SSR+SSEという分散の分解と、R²が高いことが意味すること・意味しないこと
- 重回帰で説明変数を増やしたときに起こる多重共線性の兆候と、VIFを使った簡易チェックの考え方
- 株式リターンを市場リターンに回帰してベータを推定し、CAPMで株主資本コストへつなげるまでの手順（検算付きの仮設例）
結論：回帰分析は「関 係の強さ」ではなく「関 係の形」を数式にする技術
回帰分析は、2つ以上の数量データの間に「相関がある・ない」を言うための手法ではありません。ある変数の動きを、別の変数の動きでどれだけ説明できるかを、具体的な数式の形で取り出すための手法です。相関係数が「関係の強さ」を1つの数値に要約するのに対し、回帰分析は「傾き」と「切片」という2つの数値によって、関係そのものを再現可能な式にします。この違いが、回帰分析をファイナンス実務で使う理由の中心にあります。相関係数だけでは「1%動いたらどれだけ動くか」を計算できませんが、回帰式が求まれば、任意の入力に対する予測値を機械的に計算できるようになります。
ファイナンス実務における回帰分析の代表的な応用が、株式のベータ（β）の推定です。個別株のリターンを市場リターンに回帰し、その傾きをベータとして読み取るという手順は、CAPM（資本資産評価モデル）を通じて株主資本コスト・DCFの割引率にまで直結します。単回帰・重回帰の仕組みと決定係数R²の読み方を土台として説明したうえで、実際にベータを推定する仮設例を検算し、CAPMへの接続と、回帰の前提が崩れたときに何が起こるかまでを扱います。回帰式の関数形（線形にするか非線形にするか）そのものの選び方は本記事の範囲外とし、別記事で扱います。ここでは単回帰・重回帰という基本メカニズムに絞ります。
単回帰の仕組み：最小二乗法は何を最小化しているのか
単回帰は、説明変数xと被説明変数yの関係を、直線 ŷ = α + β・x として近似する手法です。ここでαは切片、βは傾き（回帰係数）で、ŷは予測値を表します。問題は「無数にある直線の中から、どの直線を選ぶか」です。最小二乗法（OLS：Ordinary Least Squares）は、実際の値yと予測値ŷの差である残差 e = y − ŷ に注目し、残差の二乗和を最小にするように α と β を決めます。二乗するのは、正の残差と負の残差が単純な合計では打ち消し合ってしまうのを防ぐためで、同時に大きな外れ値ほど強く罰する効果もあります。
この最小化問題を実際に解くと、β と α は次の式で直接求まります。両者ともxとyの平均・分散・共分散から計算できるため、実務ではExcelのSLOPE関数・INTERCEPT関数や統計ソフトが自動で計算しますが、中身がこの式であることを知っておくと、出力された数値が明らかにおかしいときに気づけます。Excelで回帰直線から予測値を求めるFORECAST.LINEAR・TREND・GROWTHといった関数の構文・使い分けはFORECAST.LINEAR・TREND・GROWTH関数で予測モデルを作るで扱っています。
単回帰の傾きβと切片αの式
β = Sxy ÷ Sxx（xとyの共変動 ÷ xの変動）
α = ȳ − β・x̄（yの平均から、xの平均に傾きを掛けた分を差し引いた値）
ここでSxy=Σ(xᵢ−x̄)(yᵢ−ȳ)、Sxx=Σ(xᵢ−x̄)²、x̄・ȳはそれぞれxとyの平均です。
βの符号と大きさには明確な意味があります。βがプラスであればxが増えるとyも増える関係、マイナスであれば逆の関係を示し、絶対値が大きいほどxの変化に対するyの反応が大きいことを表します。ファイナンスの文脈でβが特別な意味を持つのは、xを市場全体のリターン、yを個別株のリターンに置き換えたときで、この場合のβがそのまま株式のベータになります。この接続については後段の設例で具体的に計算します。
決定係数R²の読み方：モデルはどこまで「説 明」できているか
回帰直線を引いただけでは、その式がどれだけ現実を言い当てているかは分かりません。そこで使うのが決定係数R²です。R²を理解する出発点は、yの総変動を2つに分解できるという発想です。yの値がばらつく理由は、①xの変化によって説明できる部分と、②xでは説明できず残ってしまう部分の2つに分けられます。前者を回帰変動SSR、後者を残差変動SSEと呼び、両者を足すと全変動SST（yの分散の総量）に一致します。
決定係数R²の式
SST（全変動）= SSR（回帰で説明される変動）+ SSE（残差変動）
R² = SSR ÷ SST = 1 − SSE ÷ SST
単回帰の場合、R²は相関係数rを2乗した値（R²=r²）に一致します。
R²は0から1の値をとり、1に近いほど「xの変化でyの変化の大部分を説明できている」ことを意味し、0に近いほど「xとyの直線関係ではほとんど説明できていない」ことを意味します。例えばR²=0.57であれば、「yの変動のうち57%は回帰式で説明され、残り43%は残差、つまりxだけでは説明できない個別の要因に起因する」と読みます。この43%には、測定できていない別の要因や、単なるノイズが含まれます。
ここで注意したいのは、R²が高いことは「良いモデルである」ことの十分条件ではないという点です。説明変数を増やせばR²は機械的に上昇しやすく、理論的な根拠が薄い変数を加えても数値上は改善して見えることがあります。また、R²は直線関係へのあてはまりを測るものであり、xとyの関係が実は曲線的である場合に、R²だけを根拠にその関数形を選んでよいかどうかは、また別の論点です。この点は本記事では扱わず、関数形の選び方を主題とする別記事に譲ります。本記事の範囲では、R²は「回帰式がどれだけ変動を説明できているかを測るものさし」として理解しておけば十分です。
重回帰と多重共線性：説明変数を増やすと何が起こるか
説明変数が1つの単回帰に対し、説明変数を2つ以上に増やしたものが重回帰です。式の形は ŷ = α + β₁・x₁ + β₂・x₂ + … と拡張され、各βはそれぞれ「他の説明変数を一定とした場合に、その変数が1単位動いたときのyの変化量」を表します。財務予測で複数の指標を同時に使いたい場合や、株式リターンを市場要因だけでなく複数のファクターで説明したい場合に自然な拡張です。
ここで実務上つまずきやすいのが多重共線性です。これは、説明変数同士が強く相関している状態を指します。たとえば市場全体のリターンとある業種指数のリターンを同時に説明変数へ入れると、この2つは互いに強く連動しているため、回帰式は「どちらの変数がyの変化に効いているのか」を切り分けにくくなります。全体としての予測力（R²）自体はさほど落ちない一方で、個々の係数の推定値は不安定になり、符号が理論と逆になったり、標準誤差が大きくなって有意性の判定が信頼できなくなったりします。
多重共線性の程度を簡易的に測る指標がVIF（分散拡大要因）です。VIFは、ある説明変数を残りの説明変数だけで回帰したときの決定係数R²ⱼを使って、VIF=1÷(1−R²ⱼ)で計算します。以下は説明用の仮設例です。
| 指標 | 値（仮設例） | 意味 |
|---|---|---|
| 他の変数からの説明力 R²ⱼ | 0.81 | セクター指数の変動の81%が市場リターンだけで説明できてしまう |
| VIF = 1÷(1−0.81) | 5.26 | 一般に10超で強い多重共線性とされる目安に対し、5台は要注意水準 |
| 標準誤差の拡大倍率 √VIF | 2.3倍 | 係数の標準誤差が単回帰の場合の約2.3倍に広がり、有意性が壊れやすくなる |
VIFが高いからといって、その重回帰式自体が「使えない」わけではありません。予測だけが目的であれば、全体のあてはまりが保たれている限り実用上の問題は小さいこともあります。問題になるのは、「どの変数が、どれだけyに効いているか」を語ろうとする場面です。ベータ推定のように単一の説明変数（市場リターン）だけで足りる場面では多重共線性はそもそも問題になりませんが、複数のファクターを同時に扱うモデルを組む際には、変数を追加する前に相関関係を確認する習慣が必要です。
設例：株式リターンを市場リターンに回帰してベータを推定する
以下は説明用の仮設例です。実在の企業や市場データではなく、計算手順を示すための架空の数値です。個別株Aの月次リターンyを、市場指数（TOPIXのような広範な株価指数を想定した仮設のインデックス）の月次リターンxに単回帰し、ベータを推定します。10か月分のリターン（単位：%）は次のとおりです。
| 月 | 市場リターンx(%) | 個別株Aのリターンy(%) | 予測値ŷ(%) | 残差e(%) |
|---|---|---|---|---|
| 1 | 3.0 | 5.0 | 3.4 | 1.6 |
| 2 | -2.0 | -1.0 | -2.4 | 1.4 |
| 3 | 1.5 | 4.0 | 1.7 | 2.3 |
| 4 | 4.0 | 3.0 | 4.6 | -1.6 |
| 5 | -1.0 | -3.0 | -1.2 | -1.8 |
| 6 | 0.5 | 4.0 | 0.5 | 3.5 |
| 7 | 2.5 | 0.0 | 2.9 | -2.9 |
| 8 | -3.0 | -6.0 | -3.5 | -2.5 |
| 9 | 1.0 | 3.0 | 1.1 | 1.9 |
| 10 | 2.5 | 1.0 | 2.9 | -1.9 |
まず平均を計算すると、市場リターンの平均x̄=0.9%、個別株Aのリターンの平均ȳ=1.0%です。ここから共変動Sxy=54.5、xの変動Sxx=46.9、yの変動Syy=112.0が求まります（各点の偏差の積・二乗の合計）。これを前段の式に代入します。
式→数値代入→結果
β = Sxy ÷ Sxx = 54.5 ÷ 46.9 = 1.16
α = ȳ − β・x̄ = 1.0 − 1.16 × 0.9 = −0.05
回帰式：ŷ = −0.05 + 1.16・x
β=1.16という結果は、「市場リターンが1%動くと、個別株Aのリターンは平均して1.16%動く」ことを意味します。市場よりもやや大きく反応する、いわゆる「市場より値動きの大きい銘柄」です。切片αは−0.05とほぼゼロですが、この数値をそのままCAPMの「アルファ」（市場に対する超過収益）として読むことはできません。この設例はxもyも市場リターン・個別株リターンそのもの（生リターン）を使った回帰であり、CAPMが定義するアルファは、両者から無リスク金利を差し引いた超過リターン同士を回帰したときの切片です。CAPMの主張は「市場リターンがゼロのとき超過リターンもゼロに近づく」ことではなく、E[Ri]−Rf=β×(E[Rm]−Rf)という関係であり、これを生リターンの回帰式に置き換えると、理論上の切片はゼロではなくRf×(1−β)になります（β>1であれば無リスク金利がプラスである限りわずかにマイナスの値をとります）。したがって本設例の切片−0.05をアルファの推定値として扱うには、市場リターン・個別株リターンの双方から無リスク金利を差し引いた超過リターンで回帰をやり直す必要があります。上の表の予測値ŷと残差eは、この回帰式にxを代入し、小数点第2位で四捨五入して表示したものです（決定係数などの合計値は、丸める前の数値で計算しているため、表の残差を単純に二乗して足し合わせても下記の値とは小数点以下でわずかにずれます）。
決定係数R²を確認すると、SST=112.0、SSR=63.3、SSE=48.7で、R²=63.3÷112.0=0.57です。相関係数に直すとr=0.75で、r²=0.57と一致します。この設例では、個別株Aの月次リターンの変動のうち57%が市場リターンで説明され、残り43%は個別株固有の要因（残差）に由来する、と読みます。n=10というサンプル数は計算手順を示すための最小限のものであり、実務でベータを推定する際にはより長期のデータを使う必要がある点は後段で改めて触れます。
推定したベータをCAPM・株主資本コストにつなげる
回帰分析で求めたベータは、それ単体では「市場に対する感応度」を示す数値にすぎません。ファイナンス実務でこの数値を使う代表的な場面が、CAPM（資本資産評価モデル）による株主資本コストの計算です。CAPMは、株主資本コストをリスクフリーレートとベータ、株式市場全体のリスクプレミアム（エクイティ・リスク・プレミアム、ERP）の3つで組み立てます。
CAPMによる株主資本コストの式
株主資本コスト = リスクフリーレート + β × エクイティ・リスク・プレミアム
以下は説明用の仮定値です。実際の市場データではありません。リスクフリーレートを1.0%、エクイティ・リスク・プレミアムを6.0%と仮定し、前段で推定したβ=1.16を代入すると、株主資本コスト=1.0%+1.16×6.0%=1.0%+6.96%=7.96%、四捨五入して約8.0%となります。この数値がさらにWACC（加重平均資本コスト）の一部として使われ、DCF法の割引率へとつながっていきます。WACCの組み立て方はWACCの計算方法｜CAPM・資本構成・βの取り扱いを設例で理解するで扱っています。
実務でのリスクフリーレートやERPの前提の置き方、データソースの選び方には別の論点があります。実際のJGB利回りの水準は財務省が公表する国債金利情報で確認でき（本記事末尾の出典を参照）、ERPの前提の置き方とデータソース、CAPMの限界についてはCAPMの実務｜株主資本コストの前提の置き方とERPデータソース、モデルの限界で詳しく扱っています。上場株が薄い非上場企業や、回帰で求めたベータの推定が不安定な場合には、CAPM以外にビルドアップ法を使うこともあります。この方法は株主資本コストの実務計算｜ビルドアップ法とサイズプレミアム・企業固有リスクプレミアムで解説しています。
回帰の前提が崩れるとき：不均一分散・自己相関・小標本の兆候
OLSによる推定は、いくつかの前提が成り立っていることを暗黙に仮定しています。前提が崩れても計算自体はエラーなく実行できてしまうため、結果の数値だけを見ていると気づきにくいという点が実務上のリスクです。代表的な前提と、崩れたときに起きることを整理します。
| 前提条件 | 崩れると何が起きるか | 見つけ方の目安 |
|---|---|---|
| 線形性 | 実際は曲線的な関係を直線で近似することになり、係数の意味が歪む | 散布図で点がU字・S字に並んでいないか目視で確認する |
| 等分散性（不均一分散でない） | 標準誤差が歪み、係数の有意性判定が信頼できなくなる | 予測値に対して残差をプロットし、ばらつきが一定かを見る |
| 独立性（自己相関がない） | 連続するデータの残差が同じ方向に偏り、標準誤差が過小評価されやすい | 時系列順に残差を並べ、波打つような連続パターンがないか確認する |
| 多重共線性がない（重回帰の場合） | 個々の係数の解釈・有意性が不安定になる | 説明変数どうしの相関係数やVIFを事前に確認する |
自己相関やDurbin-Watson比のような検定統計量は、この10か月の仮設例のような極小サンプルでは意味のある形で計算できません。実務でベータを推定する際は、月次で60か月分など、ある程度の長さを持つ時系列データを使うのが一般的です。データが短すぎると、たまたま数か月だけ市場と逆に動いた個別株の影響を強く受けてしまい、βの推定値そのものが不安定になります。
また、単一銘柄・単一期間の回帰から得られるβには、統計的な不確実性が常につきまといます。実務では、そのままの回帰ベータ（生のヒストリカルベータ）を使わず、時間の経過とともに市場平均の1に近づく傾向を織り込んで補正した調整済みベータを使う、あるいは同業他社のベータを集めて資本構成の違いを調整し直す業種別ベータ法（ボトムアップベータ）を使うといった対応がとられます。個別銘柄の回帰から得たベータを、レバード・アンレバードの調整を経て別の企業に当てはめる実務の手順はレバードβ・アンレバードβの実務｜Hamada式とHarris-Pringle式、Pure Play Methodで業種別ベータを使いこなすで扱っています。
AIに回帰を任せるときの検証手順
単回帰・重回帰の計算自体は、AIに任せれば数秒で係数とR²を返してくれます。ここで人が担うべきなのは、計算そのものではなく「この数値を信じてよいか」の判定です。最低限、次の3点は自分で確認する必要があります。第一に、xとyの期間・頻度・単位がずれていないか（月次と週次を混在させていないか、リターンとレベル値を取り違えていないか）。第二に、R²と回帰係数の符号が経済的な直感と整合しているか（市場との連動が強いはずの銘柄でβが極端に小さい・マイナスになっていないか）。第三に、サンプル数が推定に十分な長さかどうか、です。
AIが出力するコードや数値そのものは検算できますが、「その回帰式を使ってよいか」という判断は人が行う必要があります。回帰分析を含む統計的手法と、より広い意味でのAI・機械学習による予測との役割分担については、別記事のファイナンスのための機械学習入門で整理しています。回帰分析を実行するツールとして、Excel・SQL・BI・Pythonのどれを使うべきかという使い分けについては財務データ分析の進め方｜Excel・SQL・BI・Pythonの使い分け完全マップを参照してください。
よくある質問（FAQ）
回帰分析の結果は、係数がプラスかマイナスかだけ見ればよいのですか？
符号だけでなく、大きさ・決定係数・残差のパターンまで確認する必要があります。符号が理論と一致していても、決定係数が極端に低い、あるいは残差が偏っている場合は、モデルの信頼性が低いと判断すべきです。
決定係数R²は高いほど良いモデルと言えますか？
必ずしもそうとは言えません。説明変数を増やすほどR²は機械的に上昇しやすく、理論的根拠の薄い変数を加えても数値上は改善して見えることがあります。回帰式の関数形（線形か非線形か）そのものの妥当性も、R²だけでは判断できません。
ベータ推定に使う期間や頻度はどう選べばよいですか？
実務では月次リターンを一定期間（数年分）そろえて計算する方法が一般的です。期間を短くしすぎるとサンプル数不足で推定が不安定になり、長くしすぎると事業構造が変化する前のデータまで含めてしまう可能性があります。
多重共線性があると回帰分析は使えなくなるのですか？
使えなくなるわけではありませんが、個々の係数の解釈や有意性判定の信頼性が下がります。全体のあてはまり（予測力）はさほど落ちない一方で、
n=10のような少ないデータでも回帰分析を実行してよいのですか？
実行はできますが、推定値の安定性は大きく損なわれます。本記事の設例もあくまで計算手順を示すための最小限のサンプルであり、実務でベータを推定する際は、より長期の時系列データを使うのが一般的です。
まとめ
回帰分析（OLS）は、xとyの関係を「傾きβ」と「切片α」という2つの数値に凝縮し、残差の二乗和を最小にすることでその数値を求める手法です。決定係数R²は、yの総変動のうちどれだけが回帰式で説明されるかを示す指標であり、SST=SSR+SSEという分解の中で理解すると、高いR²が何を意味し、何を意味しないかが見えてきます。重回帰では説明変数どうしの多重共線性に注意が必要です。ファイナンス実務における回帰分析の代表的な応用が株式のベータ推定であり、そこからCAPMを通じて株主資本コスト・DCFの割引率へとつながります。回帰の前提が崩れていないかを確認する習慣と、AIが出す数値を鵜呑みにしない検証の姿勢が、実務でこの手法を使いこなすための土台になります。
出典・参考（2026年9月確認）
- 総務省統計局
「D ata StaRt 相関と回帰」 stat.go.jp - 総務省統計局「なるほど統計学園 複数の変数の関係性を見る」（決定係数の説明を含む） stat.go.jp
- 財務省「国債金利情報」（リスクフリーレートの参照に用いる実際のJGB利回りを確認できる一次情報） mof.go.jp
※本記事は教育目的の一般的な解説であり、法務・税務・投資助言ではありません。設例は理解のための仮設例です。
