Słownik metodologiczny · Testy statystyczne

Test Ljunga–Boxa: czy reszty modelu są szumem białym?

Test Ljunga–Boxa sprawdza łącznie kilka autokorelacji i odpowiada na pytanie, czy model szeregu czasowego zostawił w resztach szum biały. Pokazujemy wzór, stopnie swobody z fitdf, porównanie z Boxem–Pierce’em i przykład w R.

Strona główna / Słownik / Test Ljunga–Boxa
W skrócie: Test Ljunga–Boxa to test łącznej istotności pierwszych h autokorelacji szeregu lub reszt modelu. Statystyka Q = n(n + 2)Σrk²/(n − k) ma w przybliżeniu rozkład chi-kwadrat; dla reszt modelu ARMA stopnie swobody pomniejsza się o liczbę parametrów.

Co to jest test Ljunga–Boxa?

Test Ljunga–Boxa (ang. Ljung–Box test, test typu portmanteau) sprawdza łącznie, czy pierwsze h współczynników autokorelacji szeregu albo reszt modelu jest równe zero. Hipoteza zerowa: szum biały, czyli brak autokorelacji do opóźnienia h. Test służy głównie do diagnostyki modeli ARIMA. Box i Pierce (1970) wyszli od tego, że dobrze dopasowany model zamienia dane w szum biały, więc jego dopasowanie ocenia się na podstawie autokorelacji reszt. Ljung i Box (1978) zmodyfikowali ich statystykę tak, by jej rozkład był znacznie lepiej przybliżony.

Wzór i stopnie swobody

Q = n(n + 2) Σ rk²/(n − k) dla k = 1, …, h, gdzie rk to autokorelacja przy opóźnieniu k. Przy prawdziwej H0 Q ma w przybliżeniu rozkład chi-kwadrat z h stopniami swobody. Dla reszt modelu ARMA(p, q) liczba stopni swobody wynosi h − p − q; w R podaje się ją argumentem fitdf funkcji Box.test(). Starsza wersja Boxa–Pierce’a to Q = n Σ rk².

Przykład

Do 120 miesięcy danych symulowanych z procesu AR(2) dopasowano najpierw za prosty model AR(1) (współczynnik 0.571). Dla jego reszt Q(11) = 31.32, p < .001 (12 opóźnień, fitdf = 1); wersja Boxa–Pierce’a dała 29.55, p = .002. Model AR(2) (współczynniki 0.403 i 0.312, AIC = 481.2 wobec 491.0) zostawił reszty bez wyraźnej autokorelacji: Q(10) = 12.94, p = .227.

Na rysunku

Dwa rzędy wykresów. Górny rząd: wykresy słupkowe autokorelacji reszt dla opóźnień 1–24 z szarym pasmem od −0.18 do 0.18; po lewej reszty modelu AR(1) w kolorze pomarańczowym ze słupkiem 0.29 przy opóźnieniu 2 wyraźnie ponad pasmem, po prawej reszty AR(2) w kolorze niebieskim, prawie wszystkie słupki wewnątrz pasma. Dolny panel: wartość p testu Ljunga–Boxa na skali logarytmicznej dla h od 3 do 24; przerywana pomarańczowa linia z trójkątami dla AR(1) leży między .0003 a .003, ciągła niebieska linia z kółkami dla AR(2) między .13 a .58, a pozioma kropkowana linia oznacza p = .05
Rysunek 1. Autokorelacja reszt modeli AR(1) i AR(2) z pasmem ±1.96/√n (A) oraz wartość p testu Ljunga–Boxa w zależności od liczby opóźnień h (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(6320)).

Co widać. Te same dane i modele co w przykładzie. Reszty za prostego modelu AR(1) mają wyraźną autokorelację przy opóźnieniu 2 (0.290), czyli tam, gdzie brakuje drugiego członu AR; tuż za granicą pasma ±0.179 leży też opóźnienie 1 (−0.179). Test Ljunga–Boxa łączy te słupki w jedną liczbę i dla każdego h od 3 do 24 daje p między .0003 a .0032. Dla reszt AR(2) wartości p mieszczą się między .126 a .584, a przy h = 12 wynoszą .227, jak w przykładzie.

Na co uważać. W resztach AR(2) jeden słupek (opóźnienie 12, −0.179) dotyka granicy pasma. Przy 24 opóźnieniach i paśmie 95% około jednego takiego słupka należy się spodziewać nawet przy szumie białym, dlatego nie ocenia się pojedynczych słupków, tylko test łączny. Panel B pokazuje, że p zmienia się z h: tutaj wniosek jest ten sam dla każdego h, ale przy granicznych danych wybór h po obejrzeniu wykresu mógłby zmienić decyzję – stąd zasada, by ustalić go z góry. Pasmo ±1.96/√n to przybliżenie dla szumu białego; nie uwzględnia tego, że reszty pochodzą z dopasowanego modelu. Wysokie p nie dowodzi, że model jest dobry – test sprawdza tylko autokorelację liniową. Zakres h = 3–24 wybraliśmy ręcznie (od 3, bo przy fitdf = 2 potrzeba h > 2).

Podpis do pracy:

Rysunek 1. Diagnostyka reszt modeli AR(1) i AR(2) dla 120 miesięcznych obserwacji. Uwaga. Panel A: współczynniki autokorelacji reszt dla opóźnień 1–24; szare pasmo – ±1.96/√n. Panel B: wartość p testu Ljunga–Boxa (skala logarytmiczna) dla liczby opóźnień h = 3–24, ze stopniami swobody pomniejszonymi o liczbę parametrów AR; linia kropkowana – p = .05.

Ziarno set.seed(6320) to ziarno danych z przykładu; nie było zmieniane. Rysunek na stronie różni się od wyniku kodu tylko motywem serwisu.

Kod R rysunku 1
# Rysunek 1. ACF reszt AR(1) i AR(2) z pasmami ±1.96/√n oraz p Ljunga–Boxa w funkcji liczby opóźnień h
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("AR(1) – za prosty" = "#D55E00", "AR(2)" = "#0072B2")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA))

set.seed(6320)                                           # te same dane co w przykładzie wyżej
n <- 120
y <- 30 + arima.sim(list(ar = c(0.5, 0.3)), n = n, sd = 2)
m1 <- arima(y, order = c(1, 0, 0))
m2 <- arima(y, order = c(2, 0, 0))
res <- list("AR(1) – za prosty" = resid(m1), "AR(2)" = resid(m2))
p_fit <- c("AR(1) – za prosty" = 1, "AR(2)" = 2)          # fitdf = liczba parametrów AR

acf_d <- do.call(rbind, lapply(names(res), function(m)
  data.frame(model = m, k = 1:24, r = acf(res[[m]], lag.max = 24, plot = FALSE)$acf[2:25])))
granica <- 1.96 / sqrt(n)
lb <- do.call(rbind, lapply(names(res), function(m) do.call(rbind, lapply(3:24, function(h)
  data.frame(model = m, h = h, p = Box.test(res[[m]], lag = h, type = "Ljung-Box", fitdf = p_fit[[m]])$p.value)))))
round(granica, 3)
transform(subset(acf_d, abs(r) > granica), r = round(r, 3))   # słupki ACF poza pasmem (k = 1–24)
zakres <- round(do.call(rbind, tapply(lb$p, lb$model, range)), 4)   # najmniejsze i największe p dla h = 3–24
colnames(zakres) <- c("p_min", "p_max"); zakres
w <- subset(lb, h %in% c(3, 6, 12, 24)); w$p <- round(w$p, 4); w

acf_d$model <- factor(acf_d$model, names(kol)); lb$model <- factor(lb$model, names(kol))
pa <- ggplot(acf_d, aes(k, r, colour = model)) +
  annotate("rect", xmin = -Inf, xmax = Inf, ymin = -granica, ymax = granica, fill = "grey88") +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_segment(aes(xend = k, yend = 0), linewidth = 1) + geom_point(size = 1.5) +
  facet_wrap(~ model) + scale_colour_manual(values = kol, guide = "none") +
  labs(title = "A. Autokorelacja reszt (szare pasmo: ±1.96/√n)", x = "Opóźnienie k", y = "ACF reszt")
pb <- ggplot(lb, aes(h, p, colour = model, shape = model, linetype = model)) +
  geom_hline(yintercept = 0.05, linetype = "dotted", colour = "grey20") +
  annotate("text", x = 24, y = 0.05, label = "p = .05", vjust = -0.5, hjust = 1, size = 3.8) +
  geom_line(linewidth = 0.9) + geom_point(size = 2) +
  scale_y_log10(breaks = c(0.0001, 0.001, 0.01, 0.05, 0.2, 1), labels = c(".0001", ".001", ".01", ".05", ".2", "1")) +
  scale_colour_manual(values = kol) + scale_shape_manual(values = c(17, 16)) +
  scale_linetype_manual(values = c("dashed", "solid")) +
  labs(title = "B. Test Ljunga–Boxa dla h = 3–24 (fitdf = liczba parametrów AR)",
       x = "Liczba opóźnień h", y = "Wartość p (skala log)", colour = NULL, shape = NULL, linetype = NULL)
p1 <- (pa / pb) & motyw
p1
Wynik w R (rysunek 1)
[1] 0.179
               model  k      r
1  AR(1) – za prosty  1 -0.179
2  AR(1) – za prosty  2  0.290
36             AR(2) 12 -0.179
                   p_min  p_max
AR(1) – za prosty 0.0003 0.0032
AR(2)             0.1259 0.5837
               model  h      p
1  AR(1) – za prosty  3 0.0003
4  AR(1) – za prosty  6 0.0009
10 AR(1) – za prosty 12 0.0010
22 AR(1) – za prosty 24 0.0017
23             AR(2)  3 0.1259
26             AR(2)  6 0.5837
32             AR(2) 12 0.2269
44             AR(2) 24 0.3620

Jak opisać w pracy

Reszty modelu AR(2) nie wykazywały istotnej autokorelacji do 12. opóźnienia, test Ljunga–Boxa Q(10) = 12.94, p = .227 (liczbę stopni swobody pomniejszono o dwa oszacowane parametry AR).

Na co uważać

  • Liczba opóźnień zmienia wynik. Hassani i Yeganegi (2020) pokazali w symulacji, że rozmiar i moc testu zależą od h, a optymalna wartość zależy od długości szeregu i poziomu istotności. Ustal h przed analizą.
  • Bez fitdf test reszt ma za dużo stopni swobody, więc wartość p jest zawyżona i model wygląda na lepiej dopasowany.
  • Brak istotności to nie dowód. W krótkich szeregach test ma małą moc.
  • Regresja. Test Durbina–Watsona sprawdza tylko opóźnienie 1 w resztach regresji; szersze podejście opisuje hasło autokorelacja reszt.

Test w pełnej analizie z prognozą pokazuje wpis Szeregi czasowe i ARIMA w praktyce.

Przykład reprodukowalny

Test Ljunga–Boxa w R

Kod dopasowuje do szeregu AR(2) model za prosty i właściwy, liczy statystyki Ljunga–Boxa i Boxa–Pierce’a ręcznie i porównuje je z Box.test(). Liczby w tekście pochodzą z tego kodu.

Reszty dwóch modeli AR i statystyka Q

Dane wejściowe: 120 miesięcznych wartości z procesu AR(2) o współczynnikach 0.5 i 0.3 (dane symulowane, set.seed(6320)).

Co odczytać: Q_LB i Q_BP liczone ręcznie dla 12 opóźnień, wyniki Box.test() z fitdf dla reszt AR(1) i AR(2), współczynniki AR i AIC obu modeli.

R
set.seed(6320)
n <- 120                                            # 120 miesięcy
y <- 30 + arima.sim(list(ar = c(0.5, 0.3)), n = n, sd = 2)   # proces AR(2)
m1 <- arima(y, order = c(1, 0, 0))                  # model za prosty: AR(1)
m2 <- arima(y, order = c(2, 0, 0))                  # model zgodny z procesem: AR(2)
r <- acf(resid(m1), lag.max = 12, plot = FALSE)$acf[2:13]
h <- 12; k <- 1:h
round(c(Q_LB = n * (n + 2) * sum(r^2 / (n - k)),    # Ljung–Box ręcznie
        Q_BP = n * sum(r^2)), 2)                    # Box–Pierce ręcznie
Box.test(resid(m1), lag = 12, type = "Ljung-Box", fitdf = 1)   # df = 12 − 1
Box.test(resid(m1), lag = 12, type = "Box-Pierce", fitdf = 1)
Box.test(resid(m2), lag = 12, type = "Ljung-Box", fitdf = 2)   # df = 12 − 2
round(c(ar1 = coef(m1)[1], aic1 = AIC(m1), aic2 = AIC(m2)), 3)
round(coef(m2)[1:2], 3)
Wynik w R
 Q_LB  Q_BP 
31.32 29.55 

	Box-Ljung test

data:  resid(m1)
X-squared = 31.321, df = 11, p-value = 0.0009795


	Box-Pierce test

data:  resid(m1)
X-squared = 29.552, df = 11, p-value = 0.001862


	Box-Ljung test

data:  resid(m2)
X-squared = 12.942, df = 10, p-value = 0.2269

ar1.ar1    aic1    aic2 
  0.571 490.957 481.192 
  ar1   ar2 
0.403 0.312 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko pakiety bazowe). Rysunek 1 wykonano w pakietach ggplot2 4.0.2 i patchwork 1.3.2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots (R package version 1.3.2) [Computer software]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Czym test Ljunga–Boxa różni się od testu Boxa–Pierce’a?

Oba sumują kwadraty autokorelacji. Ljung–Box waży je przez (n + 2)/(n − k), dzięki czemu rozkład statystyki lepiej odpowiada chi-kwadrat w krótkich szeregach. Przy dużym n wyniki są niemal takie same.

Co oznacza argument fitdf w funkcji Box.test()?

To liczba parametrów ARMA oszacowanych w modelu (p + q), odejmowana od liczby opóźnień przy wyznaczaniu stopni swobody. Dla surowego szeregu, bez dopasowanego modelu, zostaw fitdf = 0.

Co zrobić, gdy test Ljunga–Boxa odrzuca hipotezę o szumie białym w resztach?

Model nie uchwycił całej zależności czasowej. Obejrzyj ACF i PACF reszt, dodaj składniki AR, MA lub sezonowe, porównaj modele kryterium AIC i ponownie sprawdź reszty.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Box, G. E. P., & Pierce, D. A. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American Statistical Association, 65(332), 1509–1526. https://doi.org/10.1080/01621459.1970.10481180
  2. Hassani, H., & Yeganegi, M. R. (2020). Selecting optimal lag order in Ljung–Box test. Physica A: Statistical Mechanics and its Applications, 541, Article 123700. https://doi.org/10.1016/j.physa.2019.123700
  3. Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297

Cytowania BibTeX

@article{box1970distribution, author={Box, George E. P. and Pierce, David A.}, title={{Distribution of residual autocorrelations in autoregressive-integrated moving average time series models}}, journal={Journal of the American Statistical Association}, year={1970}, volume={65}, number={332}, pages={1509--1526}, doi={10.1080/01621459.1970.10481180}}
@article{hassani2020selecting, author={Hassani, Hossein and Yeganegi, Mohammad Reza}, title={{Selecting optimal lag order in Ljung–Box test}}, journal={Physica A: Statistical Mechanics and its Applications}, year={2020}, volume={541}, eid={123700}, doi={10.1016/j.physa.2019.123700}}
@article{ljung1978measure, author={Ljung, Greta M. and Box, George E. P.}, title={{On a measure of lack of fit in time series models}}, journal={Biometrika}, year={1978}, volume={65}, number={2}, pages={297--303}, doi={10.1093/biomet/65.2.297}}
R