模拟组会：第 02 次

综合实践 · 06_论文与组会/模拟组会_第02次.md

主题

从 VaR、Expected Shortfall 和模型诊断理解“结果是否可靠”。

大家好，我这次准备的是风险指标和模型诊断的入门理解。

我目前的理解是，在统计建模或风险分析中，一个数字结果通常不能单独构成结论。比如 VaR 可以告诉我们在某个置信水平下的损失阈值，但它不能告诉我们超过这个阈值之后平均会损失多少。因此如果研究对象是尾部风险，通常还需要结合 Expected Shortfall 这类指标。

类似地，在应用统计中，p 值可以帮助判断结果在原假设下是否反常，但它不等于效应很大，也不等于结论有实际意义。一个结果是否值得相信，还需要看效应大小、置信区间、模型假设和诊断结果。

对我来说，模型诊断是把“模型跑出来了”变成“结果是否可信”的关键步骤。比如回归模型不能只看 R 方或系数显著，还要看残差是否有系统性模式、是否存在异常点、高影响点，或者误差结构是否违反模型假设。

如果我拿到一个课程作业或数据分析任务，我会先跑一个基准模型，再做诊断。如果诊断结果暴露问题，我不会直接下结论，而会说明当前模型的局限，并考虑变量变换、稳健方法或更复杂模型。

我目前还没有完全掌握所有诊断方法，但我已经理解了一个基本原则：结果、解释和局限要一起报告，不能只报告对自己有利的指标。

不是。VaR 是某个置信水平下的损失分位数，不代表超过这个阈值后不会继续亏损。尾部很重时，只报告 VaR 可能会低估严重损失。

它关注超过 VaR 后的平均损失，能补充 VaR 对尾部严重程度描述不足的问题。

p 值小说明在原假设成立时，观察到当前或更极端结果比较反常。它不能直接说明效应很大，也不能证明因果关系。

入门阶段我会看残差图、异常点、误差指标和模型假设。不同模型有不同诊断方法，但核心都是判断模型是否适合数据。

先不要急着下结论。可以说明当前模型局限，再尝试变量变换、加入关键变量、换模型或做稳健性检查。