KNOWECON WIKI

ARTICLE

Jarque-Bera检验

Jarque-Bera 检验 (Jarque-Bera Test) Jarque-Bera 检验 (Jarque-Bera Test，简称 JB 检验) 是一种用于判断样本数据是否服从 正态分布 (Normal Distribution) 的 统计检验 方法。该检验由墨西哥经济学家 Carlos Jarque 和印度统计学家 Anil K. Bera 于19

浏览 0 更新 2026-07-11

Jarque-Bera 检验 (Jarque-Bera Test)

Jarque-Bera 检验 (Jarque-Bera Test，简称 JB 检验) 是一种用于判断样本数据是否服从 正态分布 (Normal Distribution) 的 统计检验 方法。该检验由墨西哥经济学家 Carlos Jarque 和印度统计学家 Anil K. Bera 于1980年提出，并于1987年发表了更为完善的版本。JB 检验的核心思想是利用正态分布的两个关键数字特征——偏度 (Skewness) 与 峰度 (Kurtosis)——来度量样本分布与正态分布之间的偏离程度。在 计量经济学 (Econometrics)、金融学 (Finance) 和 数据分析 (Data Analysis) 领域，该检验常被用作 回归分析 后 残差 的正态性诊断工具。

背景与动机

在经典 线性回归模型 (Linear Regression Model) 中，误差项 的 正态性假设 是进行精确 假设检验 和构造 置信区间 的重要前提。当样本量有限时，若误差项严重偏离正态分布，基于 t 检验 和 F 检验 的推断结论可能产生偏误。此外，在 时间序列分析 (Time Series Analysis) 和 风险管理 (Risk Management) 中，许多金融资产的收益率序列呈现出 厚尾 (Heavy Tail) 和 有偏 (Skewed) 特征，这与正态分布的假设相矛盾。Jarque-Bera 检验正是在这一背景下应运而生，为研究者提供了一种简便且有效的正态性检验方法。该检验仅需计算样本偏度和峰度两个统计量，无需对数据进行分组或排序，因而具有较高的计算效率和广泛的适用性。

检验原理

正态分布的概率密度函数完全由 均值 (Mean) 和 方差 (Variance) 两个参数决定，且具有两个重要特性：其一，正态分布的 偏度为零，即分布完全对称；其二，正态分布的 超额峰度为零（峰度值为3），即尾部厚薄适中。偏度衡量的是分布的不对称程度，正偏表示右侧尾部更长，负偏表示左侧尾部更长。峰度则衡量分布的尾部厚度：峰度大于3（即超额峰度大于零）表示分布具有厚尾特征，极端值出现概率更高；峰度小于3则表示薄尾。

Jarque-Bera 检验正是利用这两个特征，通过比较样本偏度和样本峰度与正态分布理论值的差异，来判断数据是否服从正态分布。

检验统计量

Jarque-Bera 检验的统计量定义为：

JB=n6(S2+(K−3)24)\text{JB} = \frac{n}{6} \left( S^2 + \frac{(K-3)^2}{4} \right)

其中：

  • nn 为 样本量 (Sample Size)；
  • SS 为样本偏度 (Sample Skewness)，定义为 S=μ^3σ^3S = \frac{\hat{\mu}_3}{\hat{\sigma}^3}，其中 μ^3\hat{\mu}_3 为三阶 中心矩，σ^\hat{\sigma} 为样本标准差；
  • KK 为样本峰度 (Sample Kurtosis)，定义为 K=μ^4σ^4K = \frac{\hat{\mu}_4}{\hat{\sigma}^4}，其中 μ^4\hat{\mu}_4 为四阶中心矩。

在 原假设 H0H_0（数据服从正态分布）成立且样本量足够大的条件下，JB 统计量渐近服从 自由度为2的 卡方分布 (Chi-squared Distribution)，即：

JB→dχ2(2)\text{JB} \xrightarrow{d} \chi^2(2)

自由度为2表明检验涉及两个独立的约束条件：偏度为零和超额峰度为零。

检验步骤

Jarque-Bera 检验的完整流程如下：

  1. 计算样本矩：根据观测数据计算样本均值 xˉ\bar{x}、样本方差 σ^2\hat{\sigma}^2、三阶中心矩 μ^3\hat{\mu}_3 和四阶中心矩 μ^4\hat{\mu}_4。
  2. 计算偏度和峰度：利用上述样本矩计算偏度 SS 和峰度 KK。
  3. 构建 JB 统计量：代入公式 JB=n6(S2+(K−3)2/4) \text{JB} = \frac{n}{6}(S^2 + (K-3)^2/4) 。
  4. 确定判决临界值：在给定的 显著性水平 (Significance Level) α\alpha（通常取 0.05）下，查 卡方分布 表得到临界值 χα2(2)\chi^2_{\alpha}(2)，或直接计算 p 值 (P-value)。
  5. 做出推断：若 JB 统计量大于临界值（或 p 值 < α\alpha），则拒绝原假设，认为数据不服从正态分布；反之，则不能拒绝原假设。

应用场景

Jarque-Bera 检验在经济学和统计学中有广泛的应用。在 回归分析 中，研究者常在估计 普通最小二乘法 (OLS) 模型后对残差进行 JB 检验，以判断误差项是否满足正态性假设。若残差显著偏离正态分布，则提示可能存在 模型误设 (Model Misspecification)、异常值 (Outliers) 或 异方差性 (Heteroskedasticity) 等问题。在 金融计量学 (Financial Econometrics) 中，JB 检验被用于验证 资产收益率 (Asset Returns) 的正态性——大量实证研究表明，日度或高频收益率序列通常呈现尖峰厚尾特征，JB 检验能够有效地检测出这种偏离。此外，在 投资组合理论 (Portfolio Theory) 中，均值-方差分析 (Mean-Variance Analysis) 隐含地假设收益率服从正态分布，JB 检验为此假设提供了验证工具。在 宏观经济学 (Macroeconomics) 中，JB 检验也被用于检验 通货膨胀率 (Inflation Rate)、GDP 增长率 (GDP Growth Rate) 等宏观经济变量的分布特征，为模型选择提供依据。

局限性

尽管 Jarque-Bera 检验应用广泛，但它也存在若干局限性。第一，JB 检验属于 渐近检验 (Asymptotic Test)，在小样本情形下其 检验功效 (Power of Test) 可能不足，实际的 显著性水平 可能偏离名义水平。针对这一问题，统计学家发展了基于 蒙特卡洛模拟 (Monte Carlo Simulation) 的修正版本。第二，JB 检验对 异常值 (Outliers) 极为敏感——少量极端值即可显著改变样本的偏度和峰度估计，导致检验结果失真。第三，该检验无法识别偏离正态分布的具体形式：一个显著的结果可能是由偏度非零、峰度异于3，或者两者共同作用所致。第四，当数据存在 自相关 (Autocorrelation) 时，直接应用 JB 检验可能导致严重的 第一类错误 (Type I Error)，因此在使用前需要先对数据进行 白噪声 (White Noise) 检验或采用 Newey-West 估计 进行调整。

替代方法

除 Jarque-Bera 检验外，统计文献中还发展出了多种正态性检验方法。夏皮罗-威尔克检验 (Shapiro-Wilk Test) 在小样本下具有更高的检验功效，但其计算相对复杂且对样本量有上限限制。科尔莫戈罗夫-斯米尔诺夫检验 (Kolmogorov-Smirnov Test) 基于 经验分布函数 (Empirical Distribution Function) 与理论分布的最大差异，但受限于需要预先指定分布的参数。安德森-达林检验 (Anderson-Darling Test) 是对 KS 检验的改进，赋予尾部数据更大的权重，在检测分布尾部偏离时更为灵敏。达戈斯蒂诺检验 (D'Agostino's K-squared Test) 同样基于偏度和峰度，但在统计量的构建方式上与 JB 检验有所不同。总体而言，实践中建议结合 直方图 (Histogram)、Q-Q 图 (Q-Q Plot) 和多种检验方法的结果进行综合判断，而非单一依赖某种检验。