2.4 残差 Residual：去掉信号后的噪声

2.4 残差 Residual：去掉信号后的噪声

本节摘要：残差是趋势、季节、周期都被剥掉之后剩下的"什么都不是"的部分。理想残差应当是白噪声（无自相关、零均值、方差恒定）。本节教你怎么用 ACF / Ljung-Box 检验判断残差是否"够白"。

读完你能做什么

阅读完本节，你应当能够：

1. 写出"理想残差"的三条特征：零均值、方差恒定、无自相关。
2. 用 ACF 图和 Ljung-Box 检验判断残差是否白噪声。
3. 解释"残差不是白噪声"对建模意味着什么（模型没把信号剥干净）。

本节把"残差"作为最后一位嫌疑犯单独拎出来。它不是"没用的东西"——而是对模型诊断极其关键的信号源。读完后你会在建模流程里加一道"残差必查"的工序。

一、残差是什么：剥完信号剩下的"那点东西"

残差是时间序列分解的"最后一类嫌疑人"——它既不是趋势、也不是季节、也不是周期，而是把所有"有结构"的成分都剥掉之后，剩下的随机扰动。在加法模型里：

y(t) = T(t) + S(t) + C(t) + ε(t)
​

ε(t) 就是残差。乘法模型里残差以比值形式出现，但本质一样：剥完已知结构，剩下的不可解释部分。

💡 关键直觉：残差不是"没用的东西"。它对模型诊断极其关键——如果残差还有自相关，说明你的分解没把信号剥干净；如果残差呈现异方差，说明业务还有"水平依赖的波动"没被建模。

二、理想残差的三条特征

教科书把"理想残差"定义为白噪声（white noise），它必须同时满足：

1. 零均值：E[ε(t)] = 0（任何时间点残差的期望是 0）
2. 方差恒定：Var[ε(t)] = σ²（波动幅度不随时间变化——同方差性）
3. 无自相关：对所有 k ≥ 1，Cov[ε(t), ε(t+k)] = 0（今天的残差和昨天的无关）

第三条最常被违反。很多分析师做分解后只画趋势图就完事，从不检查残差——这种做法几乎一定会把模型调优的信号丢掉。

三、用 ACF 检验残差是否白噪声

最直接的检验是看残差的 ACF：

import numpy as np
import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.stattools import acf

# 构造一段已知信号 + 白噪声
rng = np.random.default_rng(0)
n = 365
trend = np.linspace(50, 100, n)
weekly = 10 * np.sin(2 * np.pi * np.arange(n) / 7)
y = trend + weekly + rng.normal(0, 1, n)
s = pd.Series(y, index=pd.date_range("2024-01-01", periods=n))

# 用 seasonal_decompose 分解（加法）
decomp = seasonal_decompose(s, model="additive", period=7)
resid = decomp.resid.dropna()

# 残差的 ACF：理想情况下应当都在 0 附近
resid_acf = acf(resid, nlags=20, fft=True)
print({f"lag_{i}": round(resid_acf[i], 3) for i in range(1, 11)})
# 预期：所有 lag 的 ACF 都在 ±0.1 之间
​

如果某个 lag 处的 ACF 显著大于 0（粗略经验：|ACF| > 0.2 且样本量够大），说明残差里还有自相关结构。最常见的情况是 lag=1 显著为正——意味着今天残差和昨天残差相关，这通常表示趋势没剥干净（用更长窗口的 MA 重新估计趋势）或季节周期没选对。

四、用 Ljung-Box 检验给"白噪声假设"上保险

肉眼判断 ACF 容易看走眼。Ljung-Box 检验给出一个统计量 Q 和对应的 p 值：

• 原假设 H₀：残差是白噪声。
• 如果 p 值 < 0.05，拒绝 H₀ → 残差不是白噪声。

from statsmodels.stats.diagnostic import acorr_ljungbox

lb = acorr_ljungbox(resid, lags=[5, 10, 15], return_df=True)
print(lb)
# 解读：lag=10 处的 p 值如果 < 0.05，说明残差在 10 阶以内不白
​

如果 Ljung-Box 检验拒绝白噪声，工程师的下一步通常是：

五、常见误解

• "残差小就说明模型好"：错。残差均值是 0 时，RMSE 的大小更多反映噪声水平而非模型能力。
• "残差有结构就是模型不行"：要看是哪种结构。lag=1 显著是分解没做对；lag=7 显著是季节周期没选对；lag=30 显著是周期没剥干净。
• "残差应该完全随机"：错。残差可以有异方差（条件方差随时间变化），这在金融时间序列里特别常见，专门的 GARCH 模型族就是为它设计的。

本节要点回顾

• 残差的定义：剥完趋势、季节、周期剩下的不可解释扰动。
• 理想残差：白噪声——零均值、同方差、无自相关。
• 检验方法：ACF 图 + Ljung-Box 检验。两者结合最稳。
• 不白怎么办：根据违反的 lag 模式分别修正（趋势窗口、季节周期、分解方法）。
• 下一节线索：2.5 回到"结构"问题——四类成分之间到底应该是相加还是相乘？

侦探笔记：残差才是真实信号的镜子

把趋势、季节、周期都剥掉以后，留下的残差里藏着两个东西：纯随机噪声 + 异常事件。

• 纯随机噪声：白噪声或近似白噪声，ACF 应迅速衰减到 0。如果残差的 ACF 仍有明显结构，说明还有成分没剥干净。
• 异常事件：残差的绝对值突然飙升的位置，往往对应业务上的事件（618 大促、系统故障、疫情冲击）。这些点不能简单删掉，要单独标注用于"事件型异常"分析。

一个反直觉点

残差越大，不代表模型越差。残差大可能说明数据本身的不可解释部分多（比如金融市场被突发事件主导）。残差小也不代表模型好（可能过拟合）。判断模型质量，要看残差是否"像白噪声 + 偶尔异常"——这是健康模型的指纹。