原書共有六個附錄（A–F），全部聚焦於迴歸分析（regression analysis）——這是基本面分析中最有力、也最常用的量化工具，本書 Ch23、Ch24、Ch28 多次提到的「線性多變數模型」就靠它。

各附錄主題#

• 附錄 A：迴歸分析簡介

  • 自變數（independent variable）與依變數（dependent variable）的差別。
  • 「最佳擬合」(best fit) 的數學意義——為什麼用「殘差平方和最小化」(least squares) 而非單純殘差和。
  • 一個實際範例（如：用上半年仔豬數預測下半年屠宰量）。
  • 預測誤差的可信度評估。

• 附錄 B：基礎統計學回顧

  • 離散度（標準差、變異數）。
  • 機率分配與常態曲線（Z 表）。
  • 母體 vs. 樣本、標準誤差。
  • 中央極限定理、信賴區間、t 檢定。

• 附錄 C：檢定迴歸方程的顯著性

  • 母體迴歸線的概念。
  • 迴歸分析的基本假設。
  • 個別係數的顯著性檢定。
  • 迴歸標準誤差、單筆預測信賴區間。
  • 外推（extrapolation）的危險。
  • 決定係數 R²。
  • 偽相關（spurious / nonsense correlation）。

• 附錄 D：多元迴歸模型

  • 多元迴歸的基礎。
  • t 檢定與 F 檢定。
  • 標準誤差、信賴區間。
  • R² 與調整後 R²（corrected R²）。
  • 解讀迴歸跑出來的報表。

• 附錄 E：分析迴歸方程

  • 偏誤點（outliers）。
  • 殘差圖（residual plot）。
  • 自相關（autocorrelation）與 Durbin-Watson 統計量。
  • 缺失變數、時間趨勢、虛擬變數（dummy variables）。
  • 多重共線性（multicollinearity）——這是迴歸分析最常見的陷阱之一。
  • 進階主題：異質變異（heteroscedasticity）。

• 附錄 F：迴歸分析的實務考量

  • 如何選擇依變數與自變數。
  • 該不該納入「預測期前的價格」？
  • 樣本期間長短的選擇。
  • 預測誤差的來源與模擬。
  • 逐步迴歸（stepwise regression）的步驟與限制。

何時需要看附錄#

• 想自己建構基本面預測模型：直接動手前必須掌握 A、B、C、F。
• 想評估別人的迴歸研究：D、E 提供必備的判讀工具。
• 對統計推論完全陌生：可從附錄 B 入手。

本書摘要不展開附錄的數學細節。原書這部分本質是迴歸分析的速成教材，建議讀者依需要回到原書查閱。如果只是想理解 Ch23-Ch28 的觀念，光看正文已足夠；只有準備真正動手建模時，附錄才是必讀。