Jarque-Bera检验是一种基于样本偏度（Skewness）和峰度（Kurtosis）的统计检验方法，常用于判断一组数据是否服从正态分布。在金融建模、计量经济学以及机器学习特征分析中，它被广泛用于验证残差分布的正态性，从而为后续回归模型或假设检验提供基础支撑。
从理论上看，Jarque-Bera检验关注的是分布形态的两个关键特征：偏度衡量分布的不对称程度，而峰度则反映分布尾部的厚度。对于标准正态分布而言，偏度应为0，峰度应为3（超额峰度为0）。当样本数据显著偏离这两个理论值时，就可能拒绝“数据服从正态分布”的原假设。
Jarque-Bera统计量的核心公式如下：
JB = n/6 × (S² + (K − 3)² / 4)
其中n为样本量，S为样本偏度，K为样本峰度。该统计量在原假设成立时渐近服从自由度为2的卡方分布。因此，只需计算JB值并与临界值比较，即可判断是否拒绝正态性假设。
在实际应用中，Jarque-Bera检验通常与回归模型残差分析结合使用。例如在普通最小二乘法（OLS）回归中，若残差不服从正态分布，t检验和F检验的有效性可能受到影响。通过Jarque-Bera检验，可以快速识别模型是否存在分布假设偏差，从而决定是否需要进行变量变换或采用稳健估计方法。
实现层面上，Jarque-Bera检验在Python与R中均有成熟函数支持。在Python的statsmodels库中，可以直接调用jarque_bera函数获取统计量与p值。计算流程通常包括：读取数据、计算均值与标准差、标准化数据、求偏度与峰度、代入公式计算JB值，最后依据p值判断显著性水平。
在R语言中，可以通过tseries包中的jarque.bera.test函数实现相同功能。该函数会自动输出JB统计量和对应的显著性结果，非常适合时间序列分析场景，例如收益率序列的正态性检验。
在金融领域，Jarque-Bera检验尤为常见。资产收益率往往呈现“尖峰厚尾”特征，明显偏离正态分布，因此JB检验常用于验证风险模型假设是否成立。如果检验结果显著拒绝正态性，通常意味着需要引入GARCH模型或其他非正态分布假设。
在机器学习数据预处理中，Jarque-Bera检验也可以用于特征筛选。对于明显非正态分布的特征，可以考虑进行对数变换、Box-Cox变换或标准化处理，以改善模型收敛性和预测稳定性。
需要注意的是，Jarque-Bera检验对大样本较为敏感，在样本量较小时，其统计功效可能不足，容易出现误判。因此在实际使用中，通常会结合Q-Q图、Shapiro-Wilk检验等方法进行综合判断，以提高结论的可靠性。
总体来看，Jarque-Bera检验以其计算简单、解释直观的特点，成为判断正态性的经典工具之一。在模型诊断与数据分析流程中，它能够提供快速且有效的分布检验依据，对提升统计推断质量具有重要意义。
