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。
假设与适用范围
对于一个弱平稳过程,用 表示滞后 阶的总体自相关,即相隔 个时间步的观测值之间的相关关系。选定最大滞后阶数 后,原假设为
备择假设是这些自相关系数中至少有一个不为零。
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。
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。
检验统计量
对于观测值 ,将样本均值定义为
一种常用的滞后 阶样本自相关系数为
Ljung–Box 检验统计量为
其中, 是参与计算的观测值个数, 是纳入检验的最大滞后阶数。当检验用于模型残差时, 是可用残差的个数。
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 反映了滞后阶数越高、可用观测值对越少这一事实。较大的 值提供了反对原假设的证据。
参照分布
对于独立同分布、且方差有限且非零的观测值,当 增大而 保持固定时,原假设下的抽样分布渐近满足
因此,通常将该统计量与自由度为 的卡方分布进行比较。上尾P值为
在显著性水平 下,当 时拒绝原假设。
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。
在拟合时间序列模型中的应用
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。
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 模型的残差,常规近似采用
而不是 。其中, 是自回归模型的阶数, 是移动平均阶数。这一近似通常用于 比 大得足够多的情形;它并不是精确的有限样本结果。
对于季节性自回归阶数和季节性移动平均阶数分别为 和 的季节性 ARIMA 模型,一种常见的约定是采用
通常不在这一减法中扣除差分阶数。所得自由度必须为正。
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。
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 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。
滞后范围的选择
最大滞后阶数 决定了检验能够检测出哪些偏离原假设的情形。
- **较小的 :**侧重于短程依赖,但可能遗漏较长滞后或季节性模式。
- **较大的 :**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。
- **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。
对于固定的数据集, 随 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。
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。
数值示例
假设某个序列包含 个观测值,其样本自相关系数为
检验截至滞后 阶的自相关,得到
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 ,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。
与 Box–Pierce 检验的关系
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
当 固定时,这两个统计量渐近等价,因为随着 增大,有
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。
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。
局限性与相关诊断
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。
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。
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。
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。
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。
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。