4. 核心假设的类型

在模型概念稳健性与核心假设验证的实战中，第一步不是急着跑诊断，而是先回答一个更根本的问题：这个模型到底依赖了哪些假设？很多模型失效并非算法本身有缺陷，而是它的核心假设在真实数据上不成立。本节把常见核心假设归纳为五类，并给出可操作的验证思路。

一、核心原理：假设是模型的“承重墙”

任何模型都可以看作“假设 + 推断规则”的组合。假设决定了模型在什么条件下可信，推断规则决定了如何从数据得到结论。当假设被违反时，参数估计可能仍然能算出来，但它的含义、置信区间和预测稳定性都会失真。因此，验证假设不是形式主义，而是判断模型结论能否迁移到新场景的关键。

五类核心假设可以这样理解：

• 线性假设：自变量与因变量（或变换后的因变量）之间呈线性可加关系。
• 独立性假设：样本之间、误差之间相互独立，不存在未建模的相关结构。
• 分布假设：误差或变量服从某类分布（如正态、泊松、指数族）。
• 因果假设：变量之间存在可解释的因果方向，且无未观测混杂。
• 平稳性假设：数据生成过程随时间保持统计特性不变。

二、五类假设的验证方法与典型信号

下面用一张表把假设、常见违反信号和验证手段对应起来，便于在项目中快速排查。

三、方法流程：从假设清单到验证闭环

建议按以下流程执行，避免“只跑一个检验就下结论”：

1. 列出假设清单：把模型文档、论文或实现中的前提逐条写出，标注哪些是强假设。
2. 映射到可观测诊断：每个假设至少对应一个可视化或统计检验。
3. 量化违反程度：不要只报 p 值，同时报告效应量、置信区间和业务影响。
4. 做敏感性分析：在假设被放松或替换后，观察核心结论是否翻转。
5. 决定动作：接受、修正、换模型或重新设计数据采集。

以线性回归为例，可以用一段最小代码同时检查线性、独立性和分布假设：

import statsmodels.api as sm
import statsmodels.stats.diagnostic as diag

model = sm.OLS(y, sm.add_constant(X)).fit()
resid = model.resid

# 线性与异方差：残差-拟合图 + Breusch-Pagan
print(diag.het_breuschpagan(resid, model.model.exog))

# 独立性：Durbin-Watson
print(sm.stats.durbin_watson(resid))

# 分布：Jarque-Bera 正态性检验
print(sm.stats.jarque_bera(resid))

输出中若 Breusch-Pagan 的 p 值很小、Durbin-Watson 明显偏离 2、Jarque-Bera 拒绝正态，就说明至少有两类假设需要处理。此时不要直接删除样本，而应优先考虑稳健标准误、模型结构变化或数据重采样。

四、案例与场景：假设违反如何导致结论翻转

某电商团队用线性回归估计“优惠券金额对复购率的影响”，系数为正且显著。但残差图显示明显弯曲，且同一用户多次购买导致残差自相关。进一步按用户聚类后，标准误扩大，显著性消失。这里同时违反了线性假设和独立性假设，若只看原始 p 值，会得出过度乐观的结论。

另一个典型场景是时间序列销量预测。模型在训练集表现很好，但上线后误差逐渐增大。检查滚动均值和方差发现明显漂移，说明平稳性假设不成立。此时应改为差分建模或引入滚动重训练机制，而不是继续调参。

五、误区与复盘

• 误区一：假设检验不显著就等于假设成立。不显著可能只是样本量不足，应结合效应量和可视化判断。
• 误区二：只验证分布假设，忽略独立性和平稳性。后两者在业务数据中更常见，也更隐蔽。
• 误区三：把因果假设当成统计假设。因果方向无法仅靠回归系数确定，需要设计或外部知识。
• 误区四：发现违反就立刻换复杂模型。先评估违反对核心结论的影响，再决定是否升级模型。