Page 14 - 柯博智

學領域中被廣泛應用，在研究變數之間的線性關係時是相當實用的

工具。本研究透過 OLS 迴歸模型來分析 ESG 績效對極端風險的影

響。OLS 迴歸模型由自變數 (也可稱為解釋變數)、應變數 (也可稱為

被解釋變數) 與誤差項所構成。自變數為我們所猜測的會影響應變數

的因素，又可分為兩類，第一類是我們在此研究中主要關注的自變

數，稱之為主要解釋變數，如第 3.1 節所提到的，我們選擇 BESG

總分與 BESG 支柱分數做為本研究的主要解釋變數，並將他們稱之

為 ESG 變數；第二類為控制變數，此類變數也是我們預測會影響應

變數的變數，但並不是此次研究主要的討論對象，然而，為了能更

準確估計主要解釋變數對應變數的影響，納入控制變數是必要

的，詳細的控制變數選擇方式與依據，我們會在本節最後解釋。應

變數為我們所希望解釋的變數，如第 3.2 節所說，此次研究的應變

數為 mVaR 與 mCVaR。最後，為避免離群值 (outlier) 對模型產生太

大的影響，本研究會將每個控制變數最大與最小 0.5% 的樣本剔除後

再放入模型中。

本研究中自變數與應變數各有兩組，故我們總共會跑四組迴歸模

型，自變數的第一組為 BESG 總分，此為 Bloomberg ESG 資料集中

公司的 ESG 績效，並以年為單位更新，第二組為 BESG 支柱分

數，此為 BESG 資料集對該公司在環境、社會與公司治理上的三個

支柱分數，旨在探討各個面向對極端風險的具體影響，同樣也以年
為單位更新。應變數也會有兩組，分別為延遲一期的 mVaR 與

mCVaR，延遲一期能夠讓我們了解 ESG 績效對減少極端風險的潛

力。為呼應 ESG 績效的更新頻率，迴歸分析中將每一期定義為一

年，四組數學式呈現如下：

mVaR t 1      BESG    SIZE    MB t
t
1
2
3
t
0
+  4 TURNOVER    5  DTURNOVER t ，
t
   SIGMA    RET    LEVERAGE  t
6
8
t
t
7
t
12