想像一下建造一座宏偉的大樓。 估計 是選擇最優質材料並精確計算梁柱尺寸的過程。但 模型檢驗 則是進行地質勘測，提出問題： 我們腳下的地基是堅固的岩石，還是鬆動的沙土？ 如果基礎（模型）錯誤，即使對參數 $\theta$ 的數學計算再精確，也僅是對一棟注定在現實重壓下崩塌的建築物所進行的測量而已。
驗證的邏輯優先性
統計推論本質上是 條件性的。我們對參數 $\theta$ 所得出的任何結論，都嚴格受限於一個假設：觀測到的資料 $s$ 是由我們所假設的模型 $\mathcal{M} = \{P_\theta : \theta \in \Theta\}$ 中某個分佈所產生的。
估計與驗證之比較
估計： 假設 $P_{true} \in \mathcal{M}$，並尋找「最佳」的 $\theta$（例如最大似然估計 $\hat{\theta}$）。它在模型 內部 內運作。
模型檢驗： 放寬了模型為真的假設。它詢問的是： 是否 任意的 $\theta \in \Theta$ 都能解釋資料中的模式。它在模型 之上 內運作。
相關性危機（陷阱）
如果產生資料的真實分佈不在統計模型 $\mathcal{M}$ 內，那麼 $\theta$ 就失去了科學意義。我們便陷入一個 統計陷阱：後續推論的相關性便變得可疑。我們實際上是在計算一個數學上的虛構物，而非真實的物理實體。
範例 9.1.1：位置常態模型
考慮最簡單的情況，即我們假設 $X_i \sim N(\theta, 1)$。
估計觀點
我們計算樣本平均數 $\bar{x}$。根據常態模型，$\bar{x}$ 是資料「中心」的最佳估計值。
現實檢驗
假設資料中實際包含極端的離群值，或服從具有厚重尾部的 柯西分佈。雖然我們仍可機械式地計算出 $\bar{x}$，但它已無法以有意義的方式代表分佈的中心。我們的信賴區間將變得異常狹窄，導致錯誤的確定感，因為常態模型並不適用。
🎯 核心原則
模型檢驗是確保我們的數學抽象與經驗事實相關的過程。它是理論統計與科學發現之間的橋樑。
\text{定義：模型檢驗是檢查假設以確保推論具有相關性的過程。}