白噪声

白噪声 (White Noise)

白噪声（White Noise）是时间序列分析、信号处理和计量经济学中最基本的随机过程模型，指均值为零、方差恒定且序列不相关的随机序列。其名称来源于白光由所有频率的可见光等强度混合而成的物理类比：白噪声的谱密度函数在所有频率上均为常数。白噪声过程的任何一个实现值都与过去所有实现值完全无关，构成不可预测的随机扰动，在回归模型、ARMA建模、金融时间序列和工程信号分析中发挥着基础性角色。

数学定义与基本性质

设 $\{ \varepsilon_t \}_{t=-\infty}^{\infty}$ 为随机序列。若该序列满足三个条件：期望为零，即 $E[\varepsilon_t] = 0$（对所有 $t$）；方差恒定，即 $\operatorname{Var}(\varepsilon_t) = \sigma^2$（对所有 $t$）；自协方差为零，即 $\operatorname{Cov}(\varepsilon_t, \varepsilon_s) = 0$（对所有 $t \neq s$），则称该序列为弱白噪声或协方差平稳白噪声。该定义仅涉及一阶矩和二阶矩，不指定分布形式。

若进一步要求序列中任意有限个随机变量相互独立（而不只是不相关），则称为独立白噪声，记为 $\varepsilon_t \sim \text{IID}(0, \sigma^2)$。当独立白噪声同时服从正态分布 $N(0, \sigma^2)$ 时，称为高斯白噪声。高斯白噪声是最强的白噪声形式，独立同分布的正态性保证了所有高阶矩的优良性质，在统计推断、最大似然估计和假设检验中具有核心作用。

白噪声的自协方差函数为 $\gamma(k) = \sigma^2 \delta_{k0}$（其中 $\delta_{k0}$ 为Kronecker delta函数），仅当滞后期 $k = 0$ 时取非零值。自相关函数为 $\rho(k) = \delta_{k0}$。谱密度函数在频率域上为常数：$f(\omega) = \sigma^2 / (2\pi)$（对所有 $\omega \in [-\pi, \pi]$），意味着没有任何频率成分占主导地位，每个频率贡献的能量相等。

白噪声与随机游走

白噪声是构建更复杂时序模型的原子单位。随机游走即为白噪声的累积和：

随机游走在金融经济学中用于模拟有效市场假说下的资产价格行为，其差分 $\Delta y_t = \varepsilon_t$ 回归为白噪声，构成单位根过程的基本特征。在Box-Jenkins方法中，白噪声是ARMA(p, q)模型的创新项：ARMA过程无非是由白噪声通过线性滤波器生成的时间序列，所有平稳且可逆的ARMA过程均可表示为当前及过去白噪声的无限移动平均。

检验与应用

时间序列建模的首要步骤是检验残差是否为白噪声。Ljung-Box Q检验联合检验前k个自相关系数是否同时为零，原假设为残差序列是白噪声。若拒绝原假设，表明模型未能充分捕捉数据的动态结构，需调整AR或MA阶数。

在回归分析中，经典线性回归模型假设误差项为独立同分布的白噪声过程。Durbin-Watson检验针对一阶自相关系数 $\rho$ 检验误差项是否与白噪声假设一致。残差的白噪声性质是OLS为BLUE、标准误有效、t检验和F检验可靠的基础。白噪声假设不满足时则出现自相关问题，需用Newey-West稳健标准误或可行广义最小二乘法修正。

扩展形式

严格白噪声要求均值、方差、自协方差均为常数，但实际数据常偏离这一理想假设。条件异方差放宽了无条件方差的恒定性，允许方差随过去信息变化，如ARCH模型和GARCH模型，其创新项为无条件白噪声而具有条件异方差的特征。金融收益率序列往往呈现波动率聚类的典型模式。在工程中，有色噪声如粉红噪声、布朗噪声具有非平坦的谱密度函数，反映不同频率成分的能量分布差异。白噪声以其极简的概率结构和普适的适用范围，在统计学、计量经济学、信号处理和控制工程中构成了随机建模的基本建筑材料。