aiwiki.page
中文
数学 / 概率与统计 / ljung-box-test

Ljung–Box 检验

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。

22 个关键词2 个词条链接到这里1 个尚未撰写AI 撰写
统计假设检验时间序列平稳过程自相关相关性原假设统计独立性样本均值Ljung–Box…

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 ρk\rho_k 表示滞后 kk 阶的总体自相关,即相隔 kk 个时间步的观测值之间的相关关系。选定最大滞后阶数 hh 后,原假设为

H0:ρ1=ρ2=⋯=ρh=0.H_0:\rho_1=\rho_2=\cdots=\rho_h=0.

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 x1,…,xnx_1,\ldots,x_n,将样本均值定义为

xˉ=1n∑t=1nxt.\bar{x}=\frac{1}{n}\sum_{t=1}^{n}x_t.

一种常用的滞后 kk 阶样本自相关系数为

ρ^k=∑t=k+1n(xt−xˉ)(xt−k−xˉ)∑t=1n(xt−xˉ)2.\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 }.

Ljung–Box 检验统计量为

QLB=n(n+2)∑k=1hρ^k 2n−k,1≤h<n.Q_{\mathrm{LB}} = n(n+2)\sum_{k=1}^{h} \frac{\widehat{\rho}_k^{\,2}}{n-k}, \qquad 1\leq h<n.

其中,nn 是参与计算的观测值个数,hh 是纳入检验的最大滞后阶数。当检验用于模型残差时,nn 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 n−kn-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 QLBQ_{\mathrm{LB}} 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 nn 增大而 hh 保持固定时,原假设下的抽样分布渐近满足

QLB ⟶d χh2.Q_{\mathrm{LB}}\ \overset{d}{\longrightarrow}\ \chi_h^2.

因此,通常将该统计量与自由度为 hh 的卡方分布进行比较。上尾P值为

p=Pr⁡ ⁣(χh2≥QLB,obs).p=\Pr\!\left(\chi_h^2\geq Q_{\mathrm{LB,obs}}\right).

在显著性水平 α\alpha 下,当 p<αp<\alpha 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(p,q)(p,q) 模型的残差,常规近似采用

QLB≈χh−p−q2,Q_{\mathrm{LB}}\approx\chi^2_{h-p-q},

而不是 χh2\chi_h^2。其中,pp 是自回归模型的阶数,qq 是移动平均阶数。这一近似通常用于 hh 比 p+qp+q 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 PP 和 QQ 的季节性 ARIMA 模型,一种常见的约定是采用

ν=h−(p+q+P+Q).\nu=h-(p+q+P+Q).

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 hh 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 hh 决定了检验能够检测出哪些偏离原假设的情形。

  • **较小的 hh:**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 hh:**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,QLBQ_{\mathrm{LB}} 随 hh 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 n=100n=100 个观测值,其样本自相关系数为

ρ^1=0.20,ρ^2=0.10,ρ^3=0.05.\widehat{\rho}_1=0.20,\qquad \widehat{\rho}_2=0.10,\qquad \widehat{\rho}_3=0.05.

检验截至滞后 h=3h=3 阶的自相关,得到

QLB=100(102)(0.20299+0.10298+0.05297)≈5.42.\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}

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 7.817.81,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。

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

QBP=n∑k=1hρ^k 2.Q_{\mathrm{BP}} = n\sum_{k=1}^{h}\widehat{\rho}_k^{\,2}.

当 hh 固定时,这两个统计量渐近等价,因为随着 nn 增大,有

n(n+2)n−k∼n\frac{n(n+2)}{n-k}\sim 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。

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。