1. 课程导入与随机过程模型检验诊断概览

在随机过程建模的实际工作中，我们常常会经历这样一条路径：观察数据、识别结构、估计参数、得到模型，然后……直接拿去做预测或决策。问题恰恰出在这个"然后"上。任何模型都是对现实的一种简化假设，泊松过程假设事件到达间隔独立且服从指数分布，布朗运动假设增量独立平稳且服从正态分布，ARMA 模型假设残差为白噪声。这些假设是否成立，直接决定了后续推断的可信度。模型检验与诊断就是回答"这个模型配得上这组数据吗"的系统性方法。

本课程围绕随机过程模型的检验与诊断展开，共 30 章，目标是让学习者具备三项能力：其一，理解拟合优度检验、残差分析、模型选择准则背后的统计原理；其二，能够针对泊松过程、更新过程、马尔可夫链、布朗运动、ARMA/GARCH 等典型模型，选择并实施恰当的检验方法；其三，能够读懂检验输出，判断模型失配的方向，并据此提出改进方案。课程强调"检验—诊断—修正"的闭环，而不是孤立地罗列检验统计量。

四个核心概念的关系

模型检验（model checking）是一个总称，指用数据评估模型假设是否成立的全过程。拟合优度（goodness of fit）关注模型整体分布与经验分布的吻合程度，典型工具包括卡方拟合优度检验、Kolmogorov-Smirnov 检验、Cramér-von Mises 检验，以及针对点过程的 K-S 型时变换检验。残差分析（residual analysis）则把模型"减去"后剩下的部分拿出来审视：如果模型正确，残差应当表现为不可预测的白噪声或标准泊松过程；一旦残差中残留相关性、异方差或趋势，就说明模型结构有遗漏。诊断（diagnostics）比检验更进一步，它不仅判断"是否失配"，还试图定位"哪里失配"——是均值结构错了、方差结构错了，还是分布假设错了。

这四者的逻辑关系可以用一句话概括：拟合优度回答"整体像不像"，残差分析回答"剩余信息还有没有结构"，诊断回答"结构缺陷在哪里"，而模型检验是统摄三者的框架。理解这一点，就不会把检验当成一堆互不相关的公式。

为什么检验不能省略

举一个金融中的具体例子。对某只股票的日对数收益率拟合 AR(1)-GARCH(1,1) 模型，参数估计完成后，若直接假设残差为独立同分布的正态白噪声，就可能严重低估尾部风险。正确的做法是：先对标准化残差做 Ljung-Box 检验，检查是否还有自相关；再做 ARCH-LM 检验，检查是否还有条件异方差残留；然后用 QQ 图或 Jarque-Bera 检验审视正态性。假设样本量 n=1000，Ljung-Box 在滞后 10 阶得到 Q=8.3，对应 p≈0.60，说明均值方程基本充分；但 ARCH-LM 在滞后 5 阶得到 LM=27.4，p<0.001，说明方差方程仍有遗漏；QQ 图两端明显偏离直线，提示厚尾。这三条信息合起来，诊断结论是"均值结构可接受、波动率结构不足、分布假设需改为 t 分布"。这样的结论才是可操作的。

再看可靠性领域。某设备 60 次故障的间隔时间，若用指数分布（即齐次泊松过程）拟合，可以用 K-S 检验评估拟合优度。假设检验统计量 D=0.14，临界值在 α=0.05 下约为 0.175，则不能拒绝指数假设；但若把间隔时间按顺序作图后发现系统性下降趋势，就提示存在老化或磨损，更新过程假设"独立同分布"不成立，应考虑非齐次泊松过程或退化模型。这说明图形诊断与数值检验必须配合使用：数值检验对特定备择假设敏感，图形则能暴露检验未覆盖的结构。

本课程的知识组织方式

后续内容按"基础工具—典型模型—综合应用"三层展开。基础工具层讲清楚检验的统计逻辑：显著性水平与 p 值的正确解读、多重检验带来的假阳性问题、时变换（time change）与概率积分变换如何把任意连续分布转化为均匀分布从而构造统一检验。典型模型层逐一处理泊松过程与更新过程、马尔可夫链、布朗运动与扩散过程、ARMA 与 GARCH 族，每类模型都给出对应的残差定义与检验组合。综合应用层则讨论模型选择准则（AIC、BIC、交叉验证）、样本外预测评估，以及诊断结果如何反馈到模型修正。