{
  "id": "ljung-box-test",
  "title": "Ljung–Box 检验",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "Ljung–Box 检验用于判断时间序列在指定的一组滞后阶数上是否存在自相关，常用于拟合模型的残差诊断。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "LB检验",
    "Ljung–Box Q检验"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/ljung-box-test/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/ljung-box-test/",
      "json": "https://aiwiki.page/en/ljung-box-test.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "Ljung–Box 检验是一种统计假设检验，用于判断时间序列在指定的滞后阶数范围内是否存在非零自相关。它将多个估计的自相关系数合并为一个统计量，而不是逐个检验各滞后阶数。其常见用途是检查拟合的时间序列模型的残差中，是否仍存在模型未能解释的序列相关。该检验考察的是跨时间的线性依赖关系，并不是一般意义上的随机性或独立性检验。"
    },
    {
      "heading": "假设与适用范围",
      "text": "对于一个弱平稳过程，用 \\(\\rho_k\\) 表示滞后 \\(k\\) 阶的总体自相关，即相隔 \\(k\\) 个时间步的观测值之间的相关关系。选定最大滞后阶数 \\(h\\) 后，原假设为\n\n\\[H_0:\\rho_1=\\rho_2=\\cdots=\\rho_h=0.\\]\n\n备择假设是这些自相关系数中至少有一个不为零。\n\n该检验被称为混成检验，因为它将多个滞后阶数上的证据汇总为一次整体判断。拒绝原假设意味着有证据反对这一联合假设，但并不能确定是哪些滞后阶数导致了这一结果。\n\n零自相关比统计独立性的条件更弱。一个过程在不同时刻的观测值之间可以没有线性相关，却仍然存在非线性依赖。因此，未能拒绝原假设，并不能证明观测值相互独立，也不能证明拟合模型在各方面都足够恰当。"
    },
    {
      "heading": "检验统计量",
      "text": "对于观测值 \\(x_1,\\ldots,x_n\\)，将样本均值定义为\n\n\\[\\bar{x}=\\frac{1}{n}\\sum_{t=1}^{n}x_t.\\]\n\n一种常用的滞后 \\(k\\) 阶样本自相关系数为\n\n\\[\\widehat{\\rho}_k = \\frac{ \\sum_{t=k+1}^{n}(x_t-\\bar{x})(x_{t-k}-\\bar{x}) }{ \\sum_{t=1}^{n}(x_t-\\bar{x})^2 }.\\]\n\nLjung–Box 检验统计量为\n\n\\[Q_{\\mathrm{LB}} = n(n+2)\\sum_{k=1}^{h} \\frac{\\widehat{\\rho}_k^{\\,2}}{n-k}, \\qquad 1\\leq h<n.\\]\n\n其中，\\(n\\) 是参与计算的观测值个数，\\(h\\) 是纳入检验的最大滞后阶数。当检验用于模型残差时，\\(n\\) 是可用残差的个数。\n\n各自相关系数均取平方，因此正自相关和负自相关都会增大统计量。分母 \\(n-k\\) 反映了滞后阶数越高、可用观测值对越少这一事实。较大的 \\(Q_{\\mathrm{LB}}\\) 值提供了反对原假设的证据。\n\n参照分布\n\n对于独立同分布、且方差有限且非零的观测值，当 \\(n\\) 增大而 \\(h\\) 保持固定时，原假设下的抽样分布渐近满足\n\n\\[Q_{\\mathrm{LB}}\\ \\overset{d}{\\longrightarrow}\\ \\chi_h^2.\\]\n\n因此，通常将该统计量与自由度为 \\(h\\) 的卡方分布进行比较。上尾P值为\n\n\\[p=\\Pr\\!\\left(\\chi_h^2\\geq Q_{\\mathrm{LB,obs}}\\right).\\]\n\n在显著性水平 \\(\\alpha\\) 下，当 \\(p<\\alpha\\) 时拒绝原假设。\n\n使用这一参照分布所需的条件不止是各阶自相关为零。对于某些存在依赖关系但不相关的数据，尤其是条件方差随时间变化的过程，通常采用的卡方参照分布可能并不适用。"
    },
    {
      "heading": "在拟合时间序列模型中的应用",
      "text": "该检验的一项主要用途是检查自回归积分移动平均模型（即 ARIMA 模型）的残差。如果模型充分刻画了序列的线性时间结构，其残差中就不应留下系统性的自相关。\n\n参数估计会改变残差自相关系数的分布。对于拟合的非季节性 ARMA\\((p,q)\\) 模型的残差，常规近似采用\n\n\\[Q_{\\mathrm{LB}}\\approx\\chi^2_{h-p-q},\\]\n\n而不是 \\(\\chi_h^2\\)。其中，\\(p\\) 是自回归模型的阶数，\\(q\\) 是移动平均阶数。这一近似通常用于 \\(h\\) 比 \\(p+q\\) 大得足够多的情形；它并不是精确的有限样本结果。\n\n对于季节性自回归阶数和季节性移动平均阶数分别为 \\(P\\) 和 \\(Q\\) 的季节性 ARIMA 模型，一种常见的约定是采用\n\n\\[\\nu=h-(p+q+P+Q).\\]\n\n通常不在这一减法中扣除差分阶数。所得自由度必须为正。\n\n这些调整是针对特定模型的惯例，并不意味着所有模型都应减去每一个估计系数的数量。含有回归项、复杂季节性结构或其他拟合组成部分的模型，可能需要采用不同的处理方式。不同软件实现对拟合参数的计数方式也可能有所不同。\n\n显著的检验结果提示仍有序列相关，这可能反映出动态结构有所遗漏、季节性设定不充分，或存在其他形式的模型设定错误。不显著的结果仅意味着所选检验未能在截至滞后 \\(h\\) 阶的范围内检测到自相关；它并不能证明预测准确、误差服从正态分布，或方差的动态结构设定正确。"
    },
    {
      "heading": "滞后范围的选择",
      "text": "最大滞后阶数 \\(h\\) 决定了检验能够检测出哪些偏离原假设的情形。\n\n- **较小的 \\(h\\)：**侧重于短程依赖，但可能遗漏较长滞后或季节性模式。\n- **较大的 \\(h\\)：**涵盖更广范围的依赖关系，但会增加自由度，对于仅在少数滞后阶数上偏离原假设的备择情形，可能降低统计功效。\n- **季节性数据：**纳入相关的季节性滞后阶数，有助于检测仅考察短滞后时可能遗漏的模式。\n\n对于固定的数据集，\\(Q_{\\mathrm{LB}}\\) 随 \\(h\\) 增大而增大或保持不变。但其 P值不一定减小，因为参照分布的自由度也会变化。\n\n因此，滞后阶数的选择是检验设定的一部分。考察许多不同的滞后截断阶数，却只报告显著结果，会引入多重检验问题。样本自相关图有助于发现模式，但对单个滞后阶数的判断并不等同于 Ljung–Box 联合检验。"
    },
    {
      "heading": "数值示例",
      "text": "假设某个序列包含 \\(n=100\\) 个观测值，其样本自相关系数为\n\n\\[\\widehat{\\rho}_1=0.20,\\qquad \\widehat{\\rho}_2=0.10,\\qquad \\widehat{\\rho}_3=0.05.\\]\n\n检验截至滞后 \\(h=3\\) 阶的自相关，得到\n\n\\[\\begin{aligned} Q_{\\mathrm{LB}} &=100(102) \\left( \\frac{0.20^2}{99} +\\frac{0.10^2}{98} +\\frac{0.05^2}{97} \\right)\\\\ &\\approx 5.42. \\end{aligned}\\]\n\n如果这些是观测值，而不是需要进行模型拟合调整的残差，则常规参照分布的自由度为三。其上尾概率为 5% 的临界值约为 \\(7.81\\)，因此在这一显著性水平下不拒绝原假设。这并不意味着三个总体自相关系数都恰好为零。"
    },
    {
      "heading": "与 Box–Pierce 检验的关系",
      "text": "Ljung–Box 检验对较早提出的 Box–Pierce 检验作了修正，后者的统计量为\n\n\\[Q_{\\mathrm{BP}} = n\\sum_{k=1}^{h}\\widehat{\\rho}_k^{\\,2}.\\]\n\n当 \\(h\\) 固定时，这两个统计量渐近等价，因为随着 \\(n\\) 增大，有\n\n\\[\\frac{n(n+2)}{n-k}\\sim n\\]\n\n成立。Ljung–Box 的加权方式旨在改善有限样本下对参照分布的近似。因此，它被广泛用于替代原始的 Box–Pierce 统计量，尽管以卡方分布为参照仍然只是一种近似。\n\n这一修正由格蕾塔·M.·Ljung 和乔治·E. P.·Box 在其 1978 年的论文《论时间序列模型失拟程度的一种度量》中提出。"
    },
    {
      "heading": "局限性与相关诊断",
      "text": "非线性依赖。 一个不相关的序列，其平方值或其他变换后的值之间仍可能存在依赖关系。对残差平方进行 Ljung–Box 检验，是诊断某些形式波动依赖的常见方法，但它所检验的假设不同于直接对残差进行检验时的假设。\n\n条件异方差。 即使原始观测值不存在序列相关，条件方差的变化也可能影响统计量的抽样分布。在这类情况下，可以采用稳健的混成检验程序，或经过适当设计的自助采样方法。\n\n小样本与较大的滞后范围。 有限样本修正并不能使该检验成为精确检验。当样本较短、滞后范围相对于样本量较大，或拟合模型较复杂时，其参照分布近似可能不准确。\n\n非平稳性与结构变化。 趋势、变化的季节性模式或结构突变都可能产生自相关，而这些自相关并不对应于稳定的平稳依赖结构。该检验无法区分这些成因。\n\n分布形态。 正态性并不是原假设。该检验既不能确立、也不直接检验观测值或残差是否服从正态分布。\n\n不规则的观测时点。 标准形式假定每一阶滞后都对应一致的时间间隔。对于缺失观测和不规则采样，需要谨慎处理，因为删除观测值并将剩余数据视为等间隔序列，可能改变检验在时间上的含义。"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "time-series",
    "stationary-process",
    "autocorrelation",
    "correlation",
    "null-hypothesis",
    "statistical-independence",
    "sample-mean",
    "test-statistic",
    "variance",
    "sampling-distribution",
    "degrees-of-freedom",
    "chi-squared-distribution",
    "p-value",
    "significance-level",
    "arima-model",
    "autoregressive-model",
    "statistical-power",
    "multiple-testing",
    "bootstrap-sampling",
    "normal-distribution"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}