关于正态性假设的偏度、峰度临界值及OLS残差正态性验证的技术咨询

嘿，针对你的两个问题，我结合实操里的常用标准给你梳理下：

一、偏度和峰度的“临界值”参考 #

首先得说，没有绝对统一的一刀切临界值，不同场景下的宽松程度不一样，但行业里默认的参考是：

• 偏度：如果绝对值小于2，基本可以认为数据近似正态；要是要求更严格（比如小样本场景），会把临界值设为绝对值小于1。
• 峰度：这里要注意区分「原始峰度」和「超额峰度」——正态分布的原始峰度是3，超额峰度就是原始峰度减3（等于0）。常用的临界值是超额峰度绝对值小于2（也就是原始峰度在1到5之间），严格标准则是绝对值小于1。

另外，很多时候我们会用Jarque-Bera检验把这两个统计量结合起来判断：JB统计量服从自由度为2的卡方分布，如果检验的p值小于你设定的显著性水平（比如0.05），那就得拒绝残差正态的假设。

二、你的OLS残差正态性判断 #

先看你的数据：残差偏度0.921，原始峰度5.073（算下来超额峰度是2.073）。

从指标和图形来看：

• 偏度0.921不管是宽松还是严格标准，都在近似正态的范围内；
• 超额峰度刚好略超2的临界值，这正好对应你看到的QQ图厚尾特征——说明残尾部的极端观测比正态分布要多。

但这里有个关键：OLS的核心假设是条件正态性（给定自变量的前提下，残差服从正态分布），而不是边际正态性。而且如果你的样本量不小，中心极限定理会让OLS的系数估计量渐近正态，这时候哪怕残差不是严格正态，推断结果依然很稳健。

回到你的情况，我的建议是：

• 这种情况可以认为是近似正态，尤其是样本量足够大的话，不用过度纠结厚尾；
• 要是你实在担心厚尾对推断的影响，可以试试这几个办法：
  • 用稳健标准误（比如White标准误），完全不需要依赖正态性假设就能得到可靠的显著性结果；
  • 对被解释变量（买入持有异常收益）做变换，比如取对数或者平方根，能一定程度上改善残差的正态性；
  • 用bootstrap或者非参数方法做推断，直接规避正态性假设。

最后提个醒：别只看单个指标，要把数值、直方图、QQ图还有假设检验（比如JB、Shapiro-Wilk）结合起来判断，同时别忘了你的核心分析目的——如果只是做系数显著性推断，大样本下正态性假设的影响其实没那么大。

内容的提问来源于stack exchange，提问作者dtribus