4.2 白噪声

4.2 白噪声序列

本节摘要：白噪声是均值为零（或常数）、方差恒定、不同时刻不相关的序列；高斯白噪声再加独立同分布正态。它是 ARIMA 残差的终点，不是业务原始数据的起点。ACF 在滞后大于 0 时应进带，Ljung-Box 不应拒绝。白噪声仍有波动，只是波动帮不了下一步预测。

本节导读

阅读完本节，你应当能够：

1. 区分不相关白噪声与独立同分布高斯白噪声，说明区间假设用的是哪一种。
2. 列出把残差对照白噪声的检查项，并说明「有波动」不等于「还有模型可吃」。
3. 解释为何原始潮位、发货量几乎不可能是白噪声，以及检验原始序列白噪声只能当「有没有结构」的粗筛。

一、终点，不是起点

若发货量已是白噪声，最好的预报就是均值，ARIMA 没有工作。真实序列几乎总有趋势、季节或短记忆，建模是把这些结构吸进参数，让剩下的接近白噪声。有人一上来对原始 y 做 Ljung-Box，拒绝了就说「不是白噪声所以能建模」——这句话只对了一半：能建模的是「有结构」；至于结构是单位根、季节还是 AR(1)，检验不会告诉你。粗筛可以，定阶不行。

定义分层：

残差平方的 ACF 若显著，可能是波动聚集：水平相关已被吃完，方差还在成串变化。这时点预测或许仍可用 ARIMA，区间应换异方差模型。第 2 章把同方差单列，理论名字就是：残差可能是白噪声在水平上，却不是独立同分布。

二、图上长什么样

理想残差折线：没有斜坡、没有季节鼓包、没有喇叭口，正负交错。ACF：滞后 0 为 1，其余进 ±2 标准误带。允许 20 根柱子里偶有一根擦边——多重检验下这是常态。若第 12 根稳定出带，不是运气，是季节泄漏。

示意白噪声（教学）：0.3, -0.4, 0.1, 0.2, -0.2, 0.0, -0.5, 0.4。均值近 0，看不出周期。对比仍有星期效应的残差：周五总正、周日总负，均值可能仍近 0，但不是白噪声。均值近 0 只是第一条，最容易满足，也最容易让人误判「已经随机了」。

💡 关键直觉：白噪声的「白」借自光谱——各频率能量均匀，没有突出的周期峰。残差频谱若在星期频率冒尖，耳朵都能听见季节，不必等公式。

高斯假设服务区间。大样本点预测靠的是相关结构被吃完，不靠钟形。小样本重尾（偶发极端潮位）时，名义 95% 区间会盖不住。报告里写清：点预测基于线性相关；区间基于高斯白噪声，后者若 QQ 图很弯，就降级为经验分位数或不报精确覆盖。

三、检验原始序列还是检验残差

对原始 y 做白噪声检验：不拒绝时，预报均值即可，别硬上 ARIMA 过拟合。拒绝时，只说明「有事发生」，回到第 1 章看图。对残差做：这才是模型验收。自由度规则见 2.3：拟合后要减 p+q。有人用同一函数两次，第二次忘了减自由度，残差「太容易通过」。

⚠️ 常见坑：把打乱时间顺序后的序列当对照。打乱会毁掉相关，ACF 变白，只能证明「顺序里藏着结构」，不能证明你的 ARIMA 正确。对照实验到此为止，真正验收仍是模型残差。

新息（innovation）在状态空间写法里就是一步预报误差。若一步误差像白噪声，多步误差通常会因累积而不白——那是预测机制，不是诊断失败。诊断始终针对拟合后的一步残差（或软件定义的标准化残差）。不要拿多步预测误差去做 Ljung-Box 然后宣布模型坏了。

与确定性信号的关系：若你用月份哑变量已经把季节均值抽走，残差仍可能有季节 AR。白噪声检验不管结构被哪套装置吃掉，只问还剩不剩相关。两套季节装置都开时，残差可以很白，但参数解释会打架，持出未必更好。白只是必要，不是充分。

概念对照：

# 残差应通过：均值近 0；acf(resid)[1:] 大多进带
# lb_pvalue = acorr_ljungbox(resid, lags=[10, 20], model_df=p+q)
# 原始 y 的同样检验只能当粗筛
​

四、新息、打乱实验的边界，以及「还有波动」不是继续拟合的理由

状态空间里的新息就是一步预报误差。若一步新息像白噪声，模型在线性相关意义上已经说完。多步误差会因把预报当假观测而相关，这是机制，拿去做 Q 检验会冤枉模型。值班室关心的周误差，应直接当持出指标，不要和诊断用的一步残差混成一张图。

打乱时间顺序后 ACF 变白，只能证明顺序里藏着结构，不能证明某组 (p,d,q) 正确。它是给非时序同事看的演示：洗牌后预测能力应消失。演示完毕，验收仍用模型残差。不要把打乱后的序列拿去「训练对照模型」。

白噪声仍有方差。方差大，预报区间宽，这是诚实，不是模型没拟合完。继续加阶若只能把样本内方差再咬一点点、持出不变或变差，那就是在拟合偶然。独立同分布比不相关更强：非线性依赖、波动聚集都可能让平方 ACF 显著而水平 ACF 干净。这时正确的下一模型未必是更大的 ARIMA，而是异方差或非线性，本课的出口是承认区间降级，而不是加 p。

对原始 y 做白噪声检验：不拒绝则预报均值，别硬上 ARIMA；拒绝则回到看图，不要跳到自动定阶。检验不会告诉你结构是趋势还是季节。粗筛的价值是挡住「对已经随机的序列过拟合」，不是替代第 1 章。

高斯白噪声把钟形叠加上去，服务 t 区间与若干似然比。残差重尾时，极值覆盖会偏乐观。大样本点预测仍可建立在不相关新息上。把「残差不正态所以整个 ARIMA 作废」写进报告，是用错层级。

五、动手对照：原始序列检验只当粗筛

对原始 y 做 Q 检验：不拒绝则预报均值，别硬上 ARIMA；拒绝则回看图，不要跳到自动定阶。对残差做：这才是验收，自由度要减阶。一步新息白了，多步误差仍可能相关，那是机制。打乱顺序变白只能证明顺序里有结构，不能证明某组阶正确。

问题：还有波动是不是没拟合完？

白噪声仍有方差。继续加阶若只咬样本内、持出不变，就是拟合偶然。平方 ACF 显著应考虑区间降级，不是加 p。

问题：高斯白噪声是必须的吗？

它服务区间。点预测建立在不相关新息上。重尾时把区间降级写进报告。

六、场景推演（示意，非真实序列）

原始发货量几乎必有结构，对它做白噪声检验只能粗筛：不拒绝则报均值；拒绝则回看图。验收对象是拟合后的一步残差，减 p+q。弱白噪声只管二阶不相关；平方 ACF 抓波动聚集；高斯再加钟形服务区间。均值近 0 远远不够，周五总正周日总负仍不是白。打乱顺序变白是给非时序同事的演示，不是模型证明。一步新息白了可以进滚动；多步误差变色是机制。继续加阶若只咬样本内方差、持出不变，就是把偶然当结构。残差白是必要非充分，还要赢基线、参数可解释。频谱在星期频率冒尖，等于耳朵能听见季节泄漏。

七、口令卡与计算备忘

口令：白噪声是残差终点，不是原始序列起点。弱白噪声二阶不相关；IID 更强；高斯服务区间。原始序列检验只粗筛。拟合后减阶。一步新息白了进滚动，多步变色是机制。打乱变白只证明顺序有结构。还有波动不是继续加阶的理由。平方 ACF 显著则区间降级。均值近 0 不够。必要非充分：还要赢基线。频谱星期频率冒尖就是季节泄漏。把层级表贴在诊断旁，避免用 JB 否决点预测。

八、原文要点补全

原文：白噪声均值零、方差常数、各期不相关；高斯白噪声再加正态，便于推断与区间。它是残差终点：好模型应把非随机信息吃完。对残差做白噪声检验，特别关注是否还有显著自相关。原始序列几乎总有结构，对原始 y 做检验只能粗筛有没有东西可建模，不能定阶。残差平方的相关揭示波动聚集，水平白不等于独立同分布。把原文四属性（零均值、常数方差、无自相关、可选正态）映射到第 2 章三性优先级：独立最重，同方差伤区间，正态服务区间且大样本可降级。一步新息白了才能进滚动；多步误差累积变色不是诊断失败。

对照表（补全动作）

九、示意算术走一遍

对原始发货量做 Q 检验若拒绝，只说明有结构，下一步是看图不是搜阶。对拟合后一步残差做 Q，减 p+q，通过且平方 ACF 也干净，才能说水平相关与波动聚集都无证据。直方图不钟形但 ACF 进带，点预测仍可，区间改口。打乱时间后 ACF 变白，用来给非时序同事演示顺序的价值，不能当模型验收。一步新息白了，七天总量误差仍可相关，那是路径加总，用持出 MAE 评价即可。把「粗筛原始、验收残差、区间另说」分成三句，白噪声这个词就不会被用去否决一切。

本节速览

• 白噪声是残差终点：原始业务序列几乎都不是。
• 弱白噪声只管二阶不相关；独立同分布更强，平方 ACF 会揭发波动聚集。
• 高斯服务于区间，不服务于「能不能做点预测」。
• 均值近 0 远远不够：季节泄漏可以均值仍为零。
• 拟合后 Q 检验要减阶数。
• 一步残差才拿去诊断：多步误差累积变色是机制。
• 残差白是必要非充分：还要滚动赢基线、参数可解释。

下一节把 ARIMA 放到经典方法桌上：什么时候它该赢，什么时候朴素或平滑更老实。