الإحصاء النفسيتحليل السلاسل الزمنيةمناهج البحث العلمي

اختبار ليونغ-بوكس: التعريف + مثال

دليل إحصائي شامل حول اختبار ليونغ-بوكس (Ljung-Box Test): المفهوم النظري، المعادلات الرياضية، خطوات التطبيق العملي، ومثال توضيحي في السلاسل الزمنية النفسية.

تاريخ النشر

يُعد تحليل السلاسل الزمنية (Time Series Analysis) أحد الركائز الجوهرية في الإحصاء التطبيقي، والاقتصاد القياسي، والعلوم السلوكية والنفسية الحديثة؛ حيث تبرز الحاجة الدائمة إلى نمذجة البيانات المتتابعة عبر الزمن لفهم الديناميات الكامنة وراء الظواهر المعقدة والتنبؤ بمساراتها المستقبلية. غير أن بناء النماذج الإحصائية المتقدمة—مثل نماذج الانحدار الذاتي والمتوسطات المتحركة التكاملية (ARIMA)—لا يكتمل بمجرد تقدير المعالم الرياضية واختيار الرتب الهيكلية، بل يستند نجاح النموذج وقابليته للتعميم التنبؤي على مرحلة حاسمة تُعرف بالتشخيص الإحصائي (Diagnostic Checking). في هذه المرحلة، يتحول تركيز الباحث من السلسلة الأصلية إلى فحص “بواقي النموذج” (Model Residuals)؛ للتأكد من أن النموذج قد استخلص كافة الأنماط الديناميكية والارتباطات المنظمة، تاركاً وراءه تشويشاً أبيض عشوائياً نقياً (White Noise).

تكمن المعضلة المنهجية الكبرى في نمذجة البيانات الزمنية في ظاهرة الارتباط التسلسلي أو الارتباط الذاتي (Autocorrelation)، والتي تعني ارتباط المشاهدات الحالية بقيمها السابقة عبر فترات زمنية متباعدة (Lags). إذا تُرك هذا الارتباط دون نمذجة دقيقة في بواقي النموذج، فإن الفرضيات الأساسية للنماذج الخطية الكلاسيكية تنهار؛ مما يؤدي إلى تقديرات مضللة للأخطاء المعيارية، وتضخيم زائف لمستويات الدلالة الإحصائية، وارتكاب أخطاء فادحة من النوع الأول (Type I Error) أو النوع الثاني (Type II Error). لحل هذه المعضلة والتحقق الشامل من خلو البواقي من أي اعتمادية خطية متبقية عبر عدة فترات إبطاء مجتمعة، يبرز اختبار ليونغ-بوكس (Ljung-Box Test) كأحد أقوى الاختبارات التشخيصية التجميعية وأكثرها موثوقية في الأدبيات الإحصائية المعاصرة.

يقدم هذا المقال دليلاً شاملاً وتأصيلياً لاختبار ليونغ-بوكس؛ حيث يستعرض جذوره التاريخية، وأسسه الرياضية والنظرية، والفروق الدقيقة التي تميزه عن سلفه اختبار بوكس-بيرس (Box-Pierce Test)، مروراً بمعايير تحديد فترات الإبطاء المثلى، وشروط التطبيق في السلاسل المستقرة وغير المستقرة. كما يتضمن المقال مثالاً حسابياً تطبيقياً مفصلاً خطوة بخطوة بالعمليات اليدوية، وأكواد التنفيذ عبر لغتي البرمجة R وبايثون، مع التركيز على تطبيقاته الحديثة في أبحاث القياس النفسي والسلوكي مثل تصاميم الحالة الواحدة (N=1 Designs) والتقييم اللحظي البيئي (EMA)، واختتاماً بأفضل الممارسات المنهجية لتوثيق نتائجه وفق معايير الجمعية الأمريكية لعلم النفس (APA).

جدول المحتويات

1. مقدمة تأصيلية لاختبار ليونغ-بوكس (Ljung-Box Test)

1.1 السياق التاريخي ونشأة الاختبار

تعود الجذور الأولى لاختبارات الارتباط الذاتي التجميعية إلى مطلع سبعينيات القرن العشرين، وتحديداً عام 1970 عندما قدم عالما الإحصاء البارزان جورج بوكس (George E.P. Box) وديفيد بيرس (David A. Pierce) اختبارهما الرائد المعروف باختبار بوكس-بيرس (Box-Pierce Portmanteau Test). كان الهدف الأساسي للاختبار هو تقييم ملاءمة نماذج السلاسل الزمنية من خلال فحص ما إذا كانت مجموعة من معاملات الارتباط الذاتي للعينة عند فترات إبطاء مختلفة تختلف مجتمعة وبشكل دال إحصائياً عن الصفر. وعلى الرغم من الأهمية النظرية البالغة لذلك الاختبار، إلا أن التطبيقات العملية والمحاكاة الحاسوبية أظهرت سريعاً قصوراً ملحوظاً في أدائه ضمن العينات الصغيرة والمتوسطة؛ حيث مالت إحصائيته المحسوبة إلى التقليل من القيمة الحقيقية للتباين، مما جعل الاختبار متحفظاً بشكل مفرط ويفتقر إلى القوة الإحصائية الكافية لاكتشاف الارتباطات الذاتية القائمة بالفعل.

استجابةً لهذه الفجوة المنهجية، قامت عالمة الإحصاء الفنلندية-الأمريكية غريتا ليونغ (Greta M. Ljung) بالتعاون مع جورج بوكس في عام 1978 بنشر ورقتهما العلمية المرجعية بعنوان “On a Measure of Lack of Fit in Time Series Models” في مجلة Biometrika. قدم الباحثان في هذه الورقة تعديلاً جوهرياً على الصيغة الرياضية لإحصائية الاختبار من خلال إدخال معامل ترجيحي تصحيحي يعتمد على حجم العينة وفترة الإبطاء المفحوصة. هذا التعديل البسيط في بنيته، والعميق في أثره، أتاح لإحصائية الاختبار أن تتقارب بصورة أسرع وأكثر دقة مع توزيع كاي-تربيع (Chi-Square Distribution) حتى في العينات المحدودة، مما شكل قفزة نوعية في دقة التشخيص الإحصائي.

منذ ذلك الحين، رسخ اختبار ليونغ-بوكس مكانته بوصفه المعيار الذهبي والأداة التشخيصية الأكثر استخداماً واعتماداً في بيئات التحليل الإحصائي، والاقتصاد القياسي، ونمذجة السلاسل الزمنية التطبيقية. ولا تزال الورقة الأصلية المنشورة عام 1978 واحدة من أكثر الأوراق العلمية استشهاداً في تاريخ الإحصاء الرياضي، حيث أصبحت خطوة تطبيق اختبار ليونغ-بوكس مرحلة إلزامية في منهجية بوكس-جينكينز (Box-Jenkins Methodology) لتقييم جودة النماذج التنبؤية والتأكد من مطابقتها للمعايير العلمية الصارمة.

1.2 المفهوم الإحصائي والتعريف الأساسي

يُعرَّف اختبار ليونغ-بوكس بأنه اختبار فرضيات إحصائي يُصنف ضمن فئة “الاختبارات التجميعية” (Portmanteau Tests)، ويُستخدم للتحقق مما إذا كانت السلسلة الزمنية المفحوصة (سواء كانت سلسلة بيانات خام مستقرة أو سلسلة بواقي ناتجة عن نموذج إحصائي) تعاني من ارتباط ذاتي إجمالي عبر عدد محدد من فترات الإبطاء الزمنية (Lags). على عكس الاختبارات الفردية التي تفحص معامل الارتباط الذاتي عند كل إبطاء زمني على حدة (مثل فحص دالة الارتباط الذاتي الجزئي أو اختبار t لمعامل مفرد)، يقوم اختبار ليونغ-بوكس بدمج معلومات الارتباط الذاتي عبر فترات إبطاء متعددة (تصل إلى الإبطاء $h$) في إحصائية واحدة متكاملة، لاختبار الفرضية الشاملة حول استقلالية البيانات.

يرتبط المفهوم الجوهري للاختبار ارتباطاً وثيقاً بمفهوم التشويش الأبيض (White Noise). في نظرية الاحتمالات والسلاسل الزمنية، تُعتبر العملية العشوائية تشويشاً أبيض ناصعاً إذا كانت متغيراتها العشوائية تملك متوسطاً حسابياً ثابتاً يساوي الصفر، وتبايناً ثابتاً عبر الزمن، وانعداماً تاماً في الارتباط التسلسلي بين أي مشاهدتين زمنيتين مختلفتين؛ أي أن التغاير بين $X_t$ و $X_{t-k}$ يساوي صفراً لجميع قيم $k \neq 0$. يسعى اختبار ليونغ-بوكس إلى الإجابة عن سؤال محدد: هل تتطابق الخصائص الارتباطية للسلسلة المفحوصة مع فرضية التشويش الأبيض العشوائي، أم أن هناك بنية ارتباطية كامنة لا تزال غير مفسرة؟

تتجلى الطبيعة “التجميعية” للاختبار في قدرته على تجميع طاقات الارتباط الذاتي المتبقية عبر الفترات الزمنية المتعاقبة. فحتى لو كانت معاملات الارتباط الذاتي الفردية صغيرة الحجم ولا تتجاوز حدود الدلالة الفردية التقليدية عند مستوى 5%، فإن تراكم هذه الارتباطات الصغيرة عبر عدة فترات إبطاء قد يشير إلى وجود نمط حركي بطيء أو تأثير ارتدادي غير عشوائي. هنا يأتي دور إحصائية ليونغ-بوكس لتقييم التأثير التراكمي الإجمالي وإصدار حكم إحصائي دقيق حول عشوائية السلسلة واستقلاليتها.

1.3 أهمية الاختبار في تحليل البيانات والسلاسل الزمنية

تحتل مرحلة تشخيص البواقي مكانة محورية في عملية النمذجة الإحصائية، ويُعد اختبار ليونغ-بوكس حجر الزاوية في هذه المرحلة لعدة اعتبارات منهجية وتطبيقية. أولاً، في إطار نماذج الانحدار الذاتي والمتوسطات المتحركة (ARIMA)، يُعتبر افتراض استقلالية الأخطاء العشوائية الفرضية الأساسية التي تُبنى عليها صحة تقديرات المعالم وثباتها. إذا أظهر اختبار ليونغ-بوكس أن البواقي لا تزال تحتوي على ارتباط ذاتي دال، فإن ذلك يُعد دليلاً قاطعاً على نقص ملاءمة النموذج (Underfitting)، مما يعني أن هناك معلومات ديناميكية مفيدة لم يستطع النموذج استخلاصها، ويتطلب الأمر بالتبعية تعديل رتب النموذج بإضافة معالم AR أو MA إضافية.

ثانياً، يحمي الاختبار الباحثين من الوقوع في فخ الانحدار الزائف (Spurious Regression) والتضليل الاستدلالي. عند استخدام النماذج الخطية مع سلاسل زمنية تحتوي أخطاؤها على ارتباط تسلسلي غير معالج، تنهار مبرهنة غاوس-ماركوف (Gauss-Markov Theorem)، وتفقد تقديرات المربعات الصغرى العادية خاصية أفضل تقدير خطي غير متحيز (BLUE). يؤدي ذلك إلى تقليل مصطنع لتقديرات التباين للأخطاء المعيارية، مما يعطي إيحاءً زائفاً بدلالة إحصائية عالية لمتغيرات لا ترتبط حقيقةً بالظاهرة المدروسة، فضلاً عن تقديم فترات ثقة وتنبؤات غير دقيقة وضيقة بشكل وهمي.

ثالثاً، تتجاوز أهمية الاختبار حدود الاقتصاد والمالية لتمتد بعمق إلى الدراسات الطولية والقياسات السلوكية والنفسية المتكررة عبر الزمن. في أبحاث علم النفس العصبي، والقياس السيكومتري الديناميكي، والتجارب الإكلينيكية التي تعتمد على القياس اليومي المستمر للأعراض، يُعد التأكد من استقلالية البواقي شرطاً جوهرياً لعزل التأثير الحقيقي للتدخلات العلاجية أو المثيرات التجريبية عن التأثيرات الناتجة عن القصور الذاتي السلوكي (Behavioral Inertia) أو الاعتمادية التسلسلية الطبيعية داخل الفرد الواحد، وهو ما يجعل اختبار ليونغ-بوكس أداة لا غنى عنها لضمان الصدق الداخلي للبحوث النفسية المتقدمة.

2. الإطار النظري وفرضيات اختبار ليونغ-بوكس

2.1 صياغة الفرضية الصفرية ($H_0$) ودلالاتها الإحصائية

يقوم الاختبار على صياغة رياضية دقيقة لفرضية العدم أو الفرضية الصفرية ($H_0$). تنص الفرضية الصفرية على أن معاملات الارتباط الذاتي للسلسلة المفحوصة (والتي نرمز لها بالرمز $\rho_k$) تساوي مجتمعةً الصفر لجميع فترات الإبطاء من الفترة $k = 1$ وحتى الفترة القصوى المحددة $k = h$. رياضياً، يتم التعبير عن الفرضية الصفرية بالصيغة التالية:

$$H_0: \rho_1 = \rho_2 = \rho_3 = dots = \rho_h = 0$$

تحمل هذه الفرضية دلالة إحصائية ومنهجية بالغة الأهمية؛ فهي تفترض أن المشاهدات أو البواقي تتوزع بشكل مستقل ومتماثل (Independently and Identically Distributed – i.i.d)، وأن التغيرات الملاحظة من فترة زمنية لأخرى ليست سوى تقلبات عشوائية خالصة لا تتبع أي مسار خطي منتظم. في سياق تشخيص النماذج التنبؤية، يمثل الإخفاق في رفض الفرضية الصفرية (أي قبولها إحصائياً) “الهدف البحثي المثالي” الذي يسعى إليه المحلل الإحصائي. فعندما لا نجد دليلاً ضد الفرضية الصفرية، فإننا نستنتج بنجاح أن النموذج المقدر قد استوعب كافة الهياكل الزمنية الكامنة في البيانات الأصلية، وأن البواقي المتبقية تمثل بالفعل عملية تشويش أبيض، مما يشير إلى كفاية النموذج وملاءمته التامة لإجراء التنبؤات المستقبلية.

2.2 صياغة الفرضية البديلة ($H_A$) وتفسير الارتباط الذاتي

في المقابل، تُصاغ الفرضية البديلة ($H_A$) لتشمل كافة الحالات التي تنحرف فيها السلسلة عن الاستقلالية العشوائية التامة. تنص الفرضية البديلة على أن معاملاً واحداً على الأقل من معاملات الارتباط الذاتي عبر فترات الإبطاء المفحوصة من $1$ إلى $h$ يختلف دلالياً عن الصفر. ويُعبر عنها رياضياً كالتالي:

$$H_A: \exists k in {1, 2, dots, h} \text{ such t\hat } \rho_k \neq 0$$

يترتب على رفض الفرضية الصفرية وقبول الفرضية البديلة استنتاجات نقدية فيما يتعلق بجودة النموذج الإحصائي؛ إذ يعني وجود ارتباط تسلسلي دال إحصائياً أن هناك قدراً من التباين المنظم والمعلومات التنبؤية لا تزال محبوسة داخل البواقي، ولم يتمكن النموذج بصيغته الحالية من استيعابها وتفسيرها. في النمذجة الاقتصادية والمالية، يشير رفض الفرضية الصفرية إلى وجود فرص تنبؤية ضائعة أو اختلالات هيكلية في تسعير الأصول. أما في القياسات السلوكية والنفسية، فإن وجود الارتباط الذاتي غير المعالج قد يعكس وجود آليات تكيف بطيئة، أو تقلبات مزاجية ذاتية الاستمرار، أو استجابات شرطية ممتدة زمنياً لم يتم أخذها بعين الاعتبار في النموذج النظري، مما يستوجب إعادة هيكلة النموذج بإضافة متغيرات تفسيرية جديدة أو زيادة رتب الانحدار الذاتي.

2.3 معايير القرار ومستوى الدلالة الإحصائية (p-value)

يعتمد اتخاذ القرار الإحصائي في اختبار ليونغ-بوكس على مقارنة القيمة الاحتمالية المحسوبة (p-value) بمستوى المعنوية المحدد مسبقاً من قِبل الباحث، والذي يُرمز له بالرمز $\alpha$ (ويُحدد عادةً في العلوم السلوكية والاقتصادية عند مستوى $\alpha = 0.05$، أو أحياناً $\alpha = 0.01$ للتطبيقات فائقة الصرامة):

  • الحالة الأولى ($p\text{-value} > \alpha$): إذا كانت القيمة الاحتمالية أكبر من مستوى الدلالة المختار (مثلاً $p > 0.05$)، يفشل الباحث في رفض الفرضية الصفرية ($H_0$). يُفسر ذلك إحصائياً بعدم وجود دليل كافٍ على وجود ارتباط ذاتي بين البواقي عند فترات الإبطاء المفحوصة، ويُعتبر النموذج الإحصائي كافياً ومناسباً من الناحية التشخيصية، وتُعد بواقيه متطابقة مع افتراضات التشويش الأبيض.
  • الحالة الثانية ($p\text{-value} le \alpha$): إذا كانت القيمة الاحتمالية أقل من أو تساوي مستوى الدلالة (مثلاً $p le 0.05$)، يرفض الباحث الفرضية الصفرية لصالح الفرضية البديلة ($H_A$). يُعد ذلك مؤشراً قاطعاً على نقص ملاءمة النموذج، ويدل على وجود ارتباط ذاتي جوهري يتطلب بالضرورة إعادة فحص السلسلة الأصلية، وتعديل معالم النموذج، وإعادة تقديره واختباره من جديد.

3. البنية الرياضية والمعادلة الإحصائية للاختبار

3.1 تفكيك معادلة إحصائية ليونغ-بوكس (Q Statistic)

تعتمد إحصائية اختبار ليونغ-بوكس، والتي يُرمز لها عادةً بالرمز $Q$ أو $Q_{LB}$، على صيغة رياضية مصممة بعناية فائقة لتعويض التناقص التدريجي في دقة تقدير التباين للعينات المحدودة عند الإبطاءات الزمنية المتقدمة. تُصاغ المعادلة الرياضية العامة للإحصائية على النحو التالي:

$$Q = n(n + 2) \sum_{k=1}^{h} \frac{\hat{\rho}_k^2}{n – k}$$

لتفكيك هذه المعادلة وفهم منطقها الإحصائي، نستعرض مكوناتها وعناصرها الرياضية الأساسية:

  • $n$ (حجم العينة الفعلي): يمثل إجمالي عدد المشاهدات الزمنية في السلسلة، أو عدد البواقي المتاحة بعد إجراء عمليات التقدير والفروق اللازمة.
  • $h$ (أقصى فترة إبطاء مفحوصة – Maximum Lag): يمثل عدد فترات التباطؤ الزمني التي يتم تجميع معاملات الارتباط الذاتي عبرها لتقييم الاعتمادية الكلية.
  • $\hat{\rho}_k$ (معامل الارتباط الذاتي العيني عند الإبطاء $k$): يُحسب بقسمة التغاير الذاتي عند الإبطاء $k$ على التباين الإجمالي للسلسلة، وفق الصيغة:
    $$\hat{\rho}_k = \frac{\sum_{t=k+1}^{n} (e_t – \bar{e})(e_{t-k} – \bar{e})}{\sum_{t=1}^{n} (e_t – \bar{e})^2}$$
    حيث يمثل $e_t$ الباقي عند الزمن $t$، و $\bar{e}$ متوسط البواقي (والذي يقترب نظرياً من الصفر).
  • $\hat{\rho}_k^2$ (مربع معامل الارتباط الذاتي): يتم تربيع المعامل للتخلص من الإشارات السالبة، مما يضمن أن الارتباطات الذاتية العكسية والطردية تسهم بالتساوي في زيادة قيمة إحصائية الاختبار.
  • $\frac{n(n+2)}{n-k}$ (معامل التصحيح للعينات المحدودة): يمثل هذا الجزء الابتكار الجوهري الذي قدمته غريتا ليونغ وجورج بوكس. نظراً لأن معاملات الارتباط الذاتي العينية عند الإبطاءات المرتفعة $k$ تُحسب من عدد أزواج أقل من المشاهدات ($n-k$)، فإن تباينها الفعلي يكون أكبر من القيمة التقاربية الكلاسيكية ($1/n$). يعمل هذا المعامل كوزن ترجيحي تصحيحي يضخم إسهام مربعات الارتباطات الذاتية مع زيادة $k$، مما يجعل توزيع الإحصائية المحسوبة متطابقاً بدرجة مذهلة مع توزيع كاي-تربيع النظري.

3.2 التوزيع الاحتمالي للاختبار ودرجات الحرية

تحت الفرضية الصفرية القائلة باستقلالية السلسلة المفحوصة، تتقارب إحصائية $Q$ تقاربياً وبشكل مقارب (Asymptotically) مع **توزيع كاي-تربيع ($\chi^2$)**. غير أن التحديد الدقيق لـ درجات الحرية (Degrees of Freedom – $df$) يُعد من أدق النقاط المنهجية التي يجب الانتباه إليها بحذر شديد، حيث تختلف درجات الحرية اختلافاً جذرياً تبعاً لنوع السلسلة المدخلة للاختبار:

أولاً: عند تطبيق الاختبار على سلسلة زمنية خام أو بيانات أولية: إذا كان الهدف هو اختبار ما إذا كانت السلسلة الأصلية تمثل تشويشاً أبيض دون إجراء أي نمذجة بارامترية سابقة عليها، فإن درجات الحرية تساوي ببساطة الحد الأقصى لفترات الإبطاء المفحوصة:

$$df = h$$

ثانياً: عند تطبيق الاختبار على بواقي نماذج الانحدار الذاتي والمتوسطات المتحركة $ARMA(p, q)$ أو $ARIMA(p, d, q)$: في هذه الحالة، تفقد السلسلة درجات حرية مساوية لعدد المعالم البارامترية التي تم تقديرها داخل النموذج، وذلك لأن عملية التقدير تفرض قيوداً خطية على بواقي النموذج تجعلها تميل قسراً إلى الارتباط بالصفر عند الإبطاءات الدنيا. وبالتالي، يجب خصم رتبة الانحدار الذاتي ($p$) ورتبة المتوسطات المتحركة ($q$) من درجات الحرية الإجمالية:

$$df = h – p – q$$

إذا تم تقدير نموذج انحدار موسمي $SARIMA(p,d,q)(P,D,Q)_s$، فإن درجات الحرية تُعدل لتصبح: $df = h – (p + q + P + Q)$. من الأهمية بمكان التأكيد على أن اختيار عدد الإبطاءات $h$ يجب أن يكون دائماً أكبر قطوعاً من مجموع المعالم المقدرة ($h > p + q$)؛ لضمان بقاء درجات الحرية موجبة ($df > 0$)، إذ يستحيل حساب القيمة الاحتمالية لتوزيع كاي-تربيع بدرجات حرية سالبة أو مساوية للصفر.

3.3 منطقة الرفض والقيمة الحرجة

لاتخاذ القرار الإحصائي باستخدام منهج القيمة الحرجة الكلاسيكي، تتم مقارنة قيمة $Q$ المحسوبة بالقيمة الجدولية الحرجة لتوزيع كاي-تربيع عند مستوى معنوية محدد $\alpha$ ودرجات حرية $df$ معدلة، والتي يُرمز لها بالرمز $\chi^2_{\alpha, df}$:

$$\text{منطقة الرفض: } Q > \chi^2_{\alpha, df}$$

إذا تجاوزت الإحصائية المحسوبة $Q$ القيمة الحرجة $\chi^2_{\alpha, df}$، فإن ذلك يضع الإحصائية في “منطقة الرفض”، مما يحتم رفض الفرضية الصفرية والاستنتاج بأن البواقي مترابطة ذاتياً وليست عشوائية. وترتبط هذه القاعدة برابطة رياضية عكسية مباشرة مع القيمة الاحتمالية ($p\text{-value}$)، والتي تمثل المساحة الواقعة تحت منحنى دالة كثافة احتمال كاي-تربيع إلى يمين قيمة $Q$ المحسوبة:

$$p\text{-value} = P(\chi^2_{df} ge Q) = \int_{Q}^{\infty} f(x; df) , dx$$

كلما تزايدت معاملات الارتباط الذاتي العينية $\hat{\rho}_k^2$ في البواقي، تضخمت قيمة إحصائية $Q$ الرياضية، مما يدفع بها إلى الذيل الأيمن لتوزيع كاي-تربيع، فتتضاءل بالتبعية القيمة الاحتمالية $p\text{-value}$ إلى ما دون عتبة $\alpha = 0.05$، مؤكدةً عدم كفاية النموذج المقدر.

4. مقارنة منهجية: اختبار ليونغ-بوكس مقابل اختبار بوكس-بيرس

4.1 الفروق الرياضية بين الإحصائيتين

لفهم التطور البنيوي الذي حققه اختبار ليونغ-بوكس، لا بد من إجراء مقارنة رياضية مباشرة مع اختبار بوكس-بيرس الأصلي المقترح عام 1970. تُعرَّف إحصائية بوكس-بيرس ($Q_{BP}$) بالصيغة الرياضية التالية:

$$Q_{BP} = n \sum_{k=1}^{h} \hat{\rho}_k^2$$

بالمقارنة المباشرة بين الصيغتين:

$$Q_{LB} = n(n + 2) \sum_{k=1}^{h} \frac{\hat{\rho}_k^2}{n – k} = \sum_{k=1}^{h} \left( \frac{n + 2}{n – k} \right) n \hat{\rho}_k^2$$

يتضح جلياً أن إحصائية بوكس-بيرس تعامل جميع مربعات الارتباط الذاتي عند مختلف فترات الإبطاء $k$ بأوزان متساوية وثابتة تزن دائماً القيمة $n$. في المقابل، يُدخل اختبار ليونغ-بوكس معامل التعديل النسبي $\frac{n+2}{n-k}$ لكل حد فردي من حدود المجموع. نظراً لأن $k ge 1$، فإن المقدار $(n-k)$ يكون دائماً أصغر من $n$، وبالتالي فإن الكسر $\frac{n+2}{n-k}$ يكون دائماً أكبر من الواحد الصحيح ويتزايد باطراد مع زيادة $k$. هذا يعني رياضياً أن إحصائية ليونغ-بوكس تعطي وزناً أكبر لمعاملات الارتباط الذاتي عند الإبطاءات البعيدة لتعويض النقص الحجمي في أزواج المشاهدات، مما يجعل قيمة $Q_{LB}$ دائماً أعلى من قيمة $Q_{BP}$ لنفس البيانات المدخلة.

4.2 مقارنة القوة الإحصائية والأداء في العينات المختلفة

أثبتت دراسات المحاكاة بمونت كارلو (Monte Carlo Simulations) تفوقاً ساحقاً لاختبار ليونغ-بوكس على اختبار بوكس-بيرس في مختلف السيناريوهات التجريبية، لا سيما في العينات الصغيرة والمتوسطة الحجم ($n < 100$). يميل اختبار بوكس-بيرس في مثل هذه العينات إلى التقليل الشديد من احتمالية رفض الفرضية الصفرية، مما يجعله عاجزاً عن اكتشاف الارتباطات القائمة، ويوقعه بصورة متكررة في خطأ من النوع الثاني (Type II Error – قبول نموذج سيئ وبواقي مترابطة).

يتميز اختبار ليونغ-بوكس بقوة إحصائية (Statistical Power) فائقة وقدرة عالية على ضبط معدل الخطأ من النوع الأول ليكون متطابقاً تماماً مع مستوى المعنوية الاسمي $\alpha = 0.05$. ومع تزايد حجم العينة ليصل إلى أعداد ضخمة جداً ($n to \infty$)، يقترب الكسر $\frac{n+2}{n-k}$ تدريجياً من القيمة $1$ لجميع قيم $k$ المحدودة، مما يؤدي إلى تقارب النتائج الرياضية للإحصائيتين وتطابقهما النظري في العينات اللانهائية، إلا أن الأفضلية في التطبيقات الواقعية ذات العينات المحدودة تبقى دائماً وأبداً لصالح اختبار ليونغ-بوكس.

4.3 التوصيات الإحصائية لاختيار الأداة الأنسب

بناءً على الأدلة الرياضية والتطبيقية، استقرت الممارسات الإحصائية الحديثة وتوصيات خبراء القياس على اعتماد اختبار ليونغ-بوكس كأداة تشخيصية افتراضية في كافة الحزم والبرمجيات الإحصائية العالمية القياسية (مثل R وPython وStata وSPSS وSAS). ونادراً ما يُنصح باستخدام اختبار بوكس-بيرس في الأبحاث المعاصرة إلا كمرجع تاريخي أو في الدراسات المقارنة.

من ناحية أخرى، تجدر الإشارة إلى وجود اختبارات تشخيصية بديلة في سياقات انحدارية معينة، ومن أبرزها اختبار بروش-غودفري (Breusch-Godfrey LM Test). بينما صُمم اختبار ليونغ-بوكس كاختبار تجميعي عام لبواقي نماذج السلاسل الزمنية، يتميز اختبار بروش-غودفري بأنه يعتمد على مضاعفات لاغرانج (Lagrange Multipliers) وهو صالح للاستخدام حتى في وجود متغيرات مفسرة متخلفة زمنياً (Lagged Dependent Variables) ومتغيرات خارجية غير عشوائية، مما يجعله مكملاً هاماً لاختبار ليونغ-بوكس في نماذج الانحدار الخطي متعدد المتغيرات ونماذج ARDL.

5. شروط وافتراضات تطبيق اختبار ليونغ-بوكس

5.1 استقرارية السلسلة الزمنية (Stationarity)

يُعد شرط **الاستقرارية الضعيفة أو التسامتية (Weak Stationarity)** من أهم الفرضيات المسبقة لتطبيق اختبار ليونغ-بوكس وتفسير نتائجه بدقة. تتطلب الاستقرارية أن تتمتع السلسلة الزمنية بثلاثة خصائص أساسية:

  1. متوسط حسابي ثابت ومستقر عبر الزمن: $E[X_t] = \mu$ لجميع قيم $t$.
  2. تباين ثابت ومحدود لا ينفجر مع مرور الوقت: $\text{Var}(X_t) = \sigma^2 < \infty$.
  3. تغاير ذاتي يعتمد فقط على المسافة الزمنية أو الإبطاء $k$ وليس على النقطة الزمنية المطلقة $t$: $\text{Cov}(X_t, X_{t-k}) = \gamma_k$.

إذا طُبق الاختبار على سلسلة زمنية غير مستقرة تحتوي على اتجاه عام حتمي (Deterministic Trend) أو جذر وحدة (Unit Root) أو نمط موسمي تصاعدي، فإن معاملات الارتباط الذاتي العينية $\hat{\rho}_k$ ستتدهور ببطء شديد وتظل مرتفعة وموجبة عبر فترات إبطاء طويلة جداً. يؤدي هذا الخلل البنيوي إلى تضخيم هائل في قيمة إحصائية $Q$ المحسوبة، مما يترتب عليه رفض حتمي للفرضية الصفرية حتى لو كانت السلسلة خالية من أي اعتمادية ديناميكية أصيلة بخلاف الاتجاه العام. لذا، يتحتم على الباحثين فحص استقرارية البيانات أولاً باستخدام اختبارات ديكي-فولر المعزز (ADF) أو KPSS، وإجراء الفروق المناسبة (Differencing) وتثبيت الاتجاه والموسمية قبل فحص البواقي عبر ليونغ-بوكس.

5.2 طبيعة وتوزيع بواقي النموذج

يفترض اختبار ليونغ-بوكس الكلاسيكي أن بواقي النموذج متولدة عن عملية خطية متجانسة التباين (Homoscedastic). غير أن السلاسل الزمنية المالية والسلوكية المكثفة تظهر غالباً ظاهرة التغاير الشرطي الذاتي المتقلب (Autoregressive Conditional Heteroskedasticity – ARCH)؛ حيث يكون للبواقي تباين متغير زمنياً وتجمعات من التقلبات العالية تليها تقلبات منخفضة (Volatility Clustering)، مع بقاء البواقي غير مترابطة خطياً.

في وجود تأثيرات ARCH القوية، قد يؤدي تباين التقلبات إلى تضخيم زائف لإحصائية ليونغ-بوكس ورفض خاطئ للفرضية الصفرية للاستقلالية الخطية. للتعامل مع هذا التحدي، يُطبق الباحثون إجراءين منهجيين:

  • تطبيق اختبار ليونغ-بوكس على البواقي الخطية المعيرة بعد ضبط تباينها عبر نماذج GARCH.
  • تطبيق اختبار ليونغ-بوكس مباشرةً على مربعات البواقي ($e_t^2$)، وهو ما يُعرف باختبار ماكلويد-لي (McLeod-Li Test). إذا أظهر اختبار ليونغ-بوكس على مربعات البواقي دلالة إحصائية ($p < 0.05$) مع خلو البواقي الخطية الأصلية من الارتباط، فإن ذلك يُعد دليلاً حاسماً على وجود اعتمادية لاخطية وتقلبات شرطية تستوجب نمذجة تباين الخطأ عبر عائلة نماذج ARCH/GARCH.

5.3 متطلبات حجم العينة واستمرارية القياس

لكي يتقارب التوزيع العيني لإحصائية $Q$ بدقة وسلاسة مع توزيع كاي-تربيع النظري، يجب أن يتوفر حد أدنى مناسب لطول السلسلة الزمنية. يُجمع الإحصائيون على أن الاختبار يعمل بكفاءة وموثوقية عالية عندما يكون حجم العينة لا يقل عن $n ge 30$ إلى $n ge 50$ مشاهدة زمنية. في العينات بالغة الصغر ($n < 20$)، قد تصبح التقريبات الاحتمالية غير مستقرة، ويُفضل في هذه الحالات النادرة اللجوء إلى اختبارات إعادة التوزيع الدقيقة (Exact Permutation or Bootstrap Tests).

بالإضافة إلى حجم العينة، يشترط الاختبار استمرارية القياس وتساوي الفواصل الزمنية بين المشاهدات المتتالية ($\Delta t = \text{constant}$). وجود فجوات زمنية أو قيم مفقودة متباعدة (Missing Data) يشوه حسابات التغاير الذاتي العيني تشويهاً مباشراً. في أبحاث القياس السلوكي والنفسي الطولي—حيث يكثر تسرب المشاركين أو نسيان تسجيل الاستجابات—يجب معالجة القيم المفقودة باستخدام خوارزميات الاستبدال المتقدمة للسلاسل الزمنية (مثل خوارزمية كالمان للتنعيم Kalman Smoothing أو استيفاء شرائح الانحدار) قبل الشروع في استخراج معاملات الارتباط وتطبيق إحصائية ليونغ-بوكس.

6. معايير تحديد فترات الإبطاء (Lag Length Selection)

6.1 القواعد الإرشادية الرياضية لتحديد عدد الفترات ($h$)

يُمثل اختيار القيمة القصوى لفترات الإبطاء المفحوصة ($h$) قراراً منهجياً فائق الحساسية في تطبيق اختبار ليونغ-بوكس؛ إذ تتأثر النتيجة الإحصائية وقيمة $p\text{-value}$ مباشرةً بعدد الفترات المضمنة في حساب الإحصائية $Q$. قدم علماء السلاسل الزمنية عدة قواعد إرشادية رياضية وتجريبية مستقرة لتحديد $h$ بناءً على حجم العينة وطبيعة التردد الزمني للبيانات:

  • قاعدة بوكس وجينكينز وروبنز (Hyndman & Athanasopoulos Rule): تُعد القاعدة الأكثر شيوعاً في البرمجيات الإحصائية الحديثة (مثل حزمة `forecast` في R):

    – للبيانات غير الموسمية: يُحدد عدد الإبطاءات بالقيمة الأدنى بين 10 وخمس حجم العينة:
    $$h = \min\left(10, \frac{n}{5}\right)$$

    – للبيانات الموسمية ذات التردد $m$ (حيث $m=12$ للبيانات الشهرية، و $m=4$ للبيانات الربع سنوية): يُحدد عدد الإبطاءات بالقيمة الأدنى بين ضعف فترة الموسمية وخمس حجم العينة:
    $$h = \min\left(2m, \frac{n}{5}\right)$$
  • قاعدة تساى اللوغاريتمية (Tsay’s Rule): تقترح استخدام اللوغاريتم الطبيعي لحجم العينة لتحديد حد أدنى للإبطاء في العينات الكبيرة:
    $$h \approx \ln(n)$$
  • قاعدة القيمة القصوى العامة: تفيد بألا يتجاوز عدد الإبطاءات بأي حال من الأحوال ربع إلى ثلث حجم العينة ($h le n/4$) لضمان وجود عدد كافٍ من أزواج المشاهدات لتقدير التغاير عند الإبطاءات العليا.

6.2 مخاطر الاختيار غير الدقيق لعدد الإبطاءات

يواجه الباحث مقايضة إحصائية كلاسيكية (Trade-off) بين نوعين من المخاطر المنهجية عند اختيار قيمة $h$:

أولاً: مخاطر اختيار عدد إبطاءات قليل جداً ($h$ صغير جداً): إذا تم تحديد $h$ بقيمة شديدة الصغر (مثلاً $h = 1$ أو $h = 2$)، فإن الاختبار سيفقد القدرة على اكتشاف الارتباطات الذاتية الدورية أو الأنماط الحركية المتأخرة التي قد تظهر عند إبطاءات أبعد (مثل الإبطاء الموسمي عند $k=4$ أو $k=12$). قد يقود ذلك الباحث إلى استنتاج خاطئ بأن النموذج مكتمل ومناسب، في حين أن هناك اعتمادية تسلسلية واضحة في المدى المتوسط أو الطويل تم إغفالها تماماً.

ثانياً: مخاطر اختيار عدد إبطاءات مفرط الكبر ($h$ كبير جداً): على النقيض من ذلك، إذا تم اختيار قيمة $h$ ضخمة تقترب من حجم العينة ($h to n$)، فإن الاختبار يقوم بجمع عدد كبير جداً من معاملات الارتباط الذاتي العشوائية القريبة من الصفر. يؤدي ذلك إلى زيادة سريعة في درجات حرية توزيع كاي-تربيع ($df$) بما يفوق الزيادة الفعلية في قيمة $Q$ المحسوبة، مما يضعف القوة الإحصائية للاختبار (Statistical Power Saturation) ويخفف من أثر أي ارتباط ذاتي حقيقي قوي يقع عند الإبطاءات الأولى، مما قد يقود بدوره إلى الفشل في رفض نموذج معيب.

لتفادي هذين الخطرين، تتمثل أفضل الممارسات المنهجية في عدم الاكتفاء بفحص قيمة مفردة لـ $h$، بل إجراء اختبار ليونغ-بوكس عبر مصفوفة متدرجة من الإبطاءات (مثلاً: $h = 5, 10, 15, 20$)؛ للتأكد من متانة النتائج واستقرار القرار الإحصائي عبر مختلف الآفاق الزمنية.

6.3 العلاقة مع معايير المفاضلة (AIC و BIC)

لا يعمل اختبار ليونغ-بوكس بمعزل عن معايير المفاضلة ونمذجة المعلومات، بل يشكل معها ثنائياً تكاملياً لا غنى عنه في دورة بناء النماذج. تُستخدم معايير المعلومات مثل معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) و معيار بييز للمعلومات (Bayesian Information Criterion – BIC) لمقارنة نماذج متعددة وترتيبها بناءً على قدرتها على تفسير البيانات مع فرض عقوبة رياضية على زيادة عدد المعالم المقدرة (مبدأ الشح البارامتري Parsimony).

ومع ذلك، فإن النموذج الذي يحقق أدنى قيمة لمعيار AIC أو BIC ليس بالضرورة نموذجاً مستوفياً لشروط الصحة الإحصائية؛ فقد يختار معيار BIC نموذجاً بسيطاً جداً يفتقر إلى معالم كافية، مما يترك ارتباطاً ذاتياً في البواقي. هنا يأتي دور اختبار ليونغ-بوكس كـ “حارس جودة صارم” (Gatekeeper)؛ حيث يتم استبعاد أي نموذج يفشل في اجتياز اختبار ليونغ-بوكس (أي يرفض الفرضية الصفرية عند $p < 0.05$) حتى لو كانت قيمة AIC لديه منخفضة. يتم اختيار النموذج النهائي الأمثل بوصفه النموذج الذي يمتلك أدنى معيار معلوماتي ممكن من بين مجموعة النماذج التي نجحت جميعها في اجتياز اختبار ليونغ-بوكس وإثبات عشوائية بواقيها.

7. خطوات إجراء اختبار ليونغ-بوكس خطوة بخطوة

7.1 المرحلة الأولى: تهيئة البيانات وبناء النموذج الأولي

تبدأ الممارسة التطبيقية السليمة باختبار استكشافي بصري ورقمي للسلسلة الزمنية الأصلية. يتبع الباحث في هذه المرحلة الخطوات التأسيسية التالية:

  1. التمثيل البياني للسلسلة الزمنية: رسم المشاهدات عبر الزمن لملاحظة وجود أي اتجاه عام، أو تغيرات موسمية، أو انقطاعات هيكلية، أو تباينات متفجرة.
  2. فحص الاستقرارية ومعالجة البيانات: تطبيق اختبار ديكي-فولر المعزز (ADF) للتحقق من خلو السلسلة من جذور الوحدة. إذا كانت السلسلة غير مستقرة، يتم أخذ الفروق من الرتبة الأولى ($d=1$) أو تطبيق تحويلات اللوغاريتم لتثبيت التباين.
  3. التقدير البارامتري للنموذج: بناء النموذج الأنسب وفق منهجية بوكس-جينكينز، مثل نموذج $ARIMA(p, d, q)$، وتقدير معاملاته باستخدام طريقة الإمكان الأعظم (Maximum Likelihood Estimation – MLE).
  4. استخراج سلسلة البواقي ($e_t$): حساب الفرق بين القيم الحقيقية المشاهدة $y_t$ والقيم التنبؤية للنموذج $\hat{y}_t$ لكل نقطة زمنية: $e_t = y_t – \hat{y}_t$. هذه البواقي هي المادة الخام التي سيُجرى عليها اختبار ليونغ-بوكس.

7.2 المرحلة الثانية: حساب معاملات الارتباط الذاتي للبواقي

بعد استخراج سلسلة البواقي ذات الحجم $n$، يتم فحص العلاقات الارتباطية الداخلية للبواقي باتباع الإجراءات الرياضية التالية:

  1. حساب المتوسط الحسابي للبواقي: $\bar{e} = \frac{1}{n}\sum_{t=1}^n e_t$ (والذي يجب أن يكون قريباً جداً من الصفر في النماذج الجيدة).
  2. حساب التباين الإجمالي للبواقي: $s_e^2 = \frac{1}{n}\sum_{t=1}^n (e_t – \bar{e})^2$.
  3. حساب معاملات الارتباط الذاتي العينية ($\hat{\rho}_k$): لكل فترة إبطاء $k$ من $k = 1$ إلى $k = h$، يتم تطبيق صيغة التغاير الذاتي المعياري:
    $$\hat{\rho}_k = \frac{\sum_{t=k+1}^{n} (e_t – \bar{e})(e_{t-k} – \bar{e})}{\sum_{t=1}^{n} (e_t – \bar{e})^2}$$
  4. رسم دالة الارتباط الذاتي (ACF Plot / Correlogram): تمثيل معاملات الارتباط الذاتي بيانياً كأعمدة عمودية محاطة بحدود ثقة بارتليت (Bartlett’s Confidence Bounds) عند مستوى $\pm \frac{1.96}{\sqrt{n}}$. يوفر هذا الرسم فحصاً بصرياً أولياً لاكتشاف أي إبطاءات منفردة قد تتجاوز حدود الثقة العشوائية.

7.3 المرحلة الثالثة: حساب إحصائية Q واستنتاج القرار

تمثل هذه المرحلة خطوة الحسم الإحصائي التجميعي، وتتضمن الحسابات الرياضية والمنطقية التالية:

  1. تطبيق صيغة ليونغ-بوكس: تعويض معاملات الارتباط المحسوبة وحجم العينة $n$ في المعادلة التجميعية:
    $$Q = n(n+2) \sum_{k=1}^h \frac{\hat{\rho}_k^2}{n-k}$$
  2. تحديد درجات الحرية المعدلة: حساب درجات الحرية الفعلية بخصم عدد معالم النموذج المقدرة:
    $$df = h – p – q$$
  3. استخراج القيمة الاحتمالية ($p\text{-value}$): حساب الاحتمال من دالة توزيع كاي-تربيع التراكمية عند القيمة $Q$ ودرجات الحرية $df$.
  4. صياغة القرار النهائي: مقارنة القيمة الاحتمالية بعتبة الدلالة ($\alpha = 0.05$). إذا كانت $p > 0.05$، يُقبل النموذج وتُعتبر بواقيه تشويشاً أبيضاً. وإذا كانت $p le 0.05$، يُرفض النموذج وتتم العودة إلى المرحلة الأولى لإعادة النظر في هيكل ورتب $ARIMA$.

8. مثال تطبيقي تفصيلي وحساب يدوي (Worked Example)

8.1 سياق البيانات الافتراضية والبيانات الأولية

لتجسيد الفهم النظري في سياق تطبيقي ملموس، سنفترض دراسة إكلينيكية في علم النفس السلوكي قام فيها الباحث بقياس مستوى القلق اليومي لدى مريض يخضع لبرنامج علاج سلوكي معرفي على مدار $50$ يوماً متتالياً ($n = 50$). قام الباحث بنمذجة السلسلة الزمنية لمستويات القلق باستخدام نموذج انحدار ذاتي بسيط من الرتبة الأولى $AR(1)$؛ نظراً لأن القلق يتمتع عادةً بدرجة من الاستمرارية الذاتية من يوم لآخر.

بعد تقدير معلمة النموذج $\phi_1$ بنجاح، قام الباحث باستخراج سلسلة البواقي اليومية ($e_t$) وحساب معاملات الارتباط الذاتي العينية لأول $3$ فترات إبطاء ($h = 3$). جاءت النتائج الحسابية الأولية لمعاملات الارتباط كما هو موضح في الجدول التالي:

جدول قيم معاملات الارتباط الذاتي العينية للبواقي ($n = 50$):

  • الإبطاء الأول ($k = 1$): معامل الارتباط الذاتي $\hat{\rho}_1 = 0.045$
  • الإبطاء الثاني ($k = 2$): معامل الارتباط الذاتي $\hat{\rho}_2 = -0.062$
  • الإبطاء الثالث ($k = 3$): معامل الارتباط الذاتي $\hat{\rho}_3 = 0.081$

8.2 التطبيق العددي المباشر لمعادلة ليونغ-بوكس

سنقوم الآن بحساب إحصائية ليونغ-بوكس $Q$ يدوياً وخطوة بخطوة بالتعويض المباشر في المعادلة الرياضية:

$$Q = n(n+2) \left[ \frac{\hat{\rho}_1^2}{n-1} + \frac{\hat{\rho}_2^2}{n-2} + \frac{\hat{\rho}_3^2}{n-3} \right]$$

الخطوة 1: حساب المعامل الخارجي $n(n+2)$:

$$n(n+2) = 50 \times (50 + 2) = 50 \times 52 = 2600$$

الخطوة 2: حساب الحدود الفردية داخل المجموع لكل إبطاء:

  • للإبطاء الأول ($k = 1$):
    $$\hat{\rho}_1^2 = (0.045)^2 = 0.002025$$
    $$n – 1 = 50 – 1 = 49$$
    $$\frac{\hat{\rho}_1^2}{n-1} = \frac{0.002025}{49} \approx 0.0000413265$$
  • للإبطاء الثاني ($k = 2$):
    $$\hat{\rho}_2^2 = (-0.062)^2 = 0.003844$$
    $$n – 2 = 50 – 2 = 48$$
    $$\frac{\hat{\rho}_2^2}{n-2} = \frac{0.003844}{48} \approx 0.0000800833$$
  • للإبطاء الثالث ($k = 3$):
    $$\hat{\rho}_3^2 = (0.081)^2 = 0.006561$$
    $$n – 3 = 50 – 3 = 47$$
    $$\frac{\hat{\rho}_3^2}{n-3} = \frac{0.006561}{47} \approx 0.0001395957$$

الخطوة 3: جمع الحدود النسبية داخل القوس:

$$\sum_{k=1}^{3} \frac{\hat{\rho}_k^2}{50-k} = 0.0000413265 + 0.0000800833 + 0.0001395957 = 0.0002610055$$

الخطوة 4: حساب القيمة النهائية لإحصائية ليونغ-بوكس ($Q$):

$$Q = 2600 \times 0.0002610055 \approx 0.6786143 \approx 0.679$$

8.3 تحديد القيمة الحرجة وتفسير النتيجة السلوكية

لاتخاذ القرار الإحصائي وتفسير النتيجة السلوكية بدقة، نتبع الخطوات المنهجية التالية:

1. حساب درجات الحرية المعدلة ($df$):
نظراً لأننا قمنا باختبار بواقي ناتجة عن نموذج $AR(1)$، فإن النموذج يحتوي على معلمة انحدار ذاتي واحدة تم تقديرها ($p = 1, q = 0$). وبالتالي:

$$df = h – p – q = 3 – 1 – 0 = 2$$

2. استخراج القيمة الحرجة من جدول توزيع كاي-تربيع ($\chi^2$):
عند مستوى معنوية $\alpha = 0.05$ ودرجات حرية $df = 2$، نجد أن القيمة الحرجة الجدولية هي:

$$\chi^2_{0.05, 2} = 5.991$$

3. مقارنة الإحصائية المحسوبة بالقيمة الحرجة:
نلاحظ أن إحصائية ليونغ-بوكس المحسوبة ($Q = 0.679$) أصغر بكثير من القيمة الحرجة الجدولية ($5.991$):

$$Q = 0.679 < \chi^2_{0.05, 2} = 5.991$$

وبحساب القيمة الاحتمالية المقابلة لقيمة $Q = 0.679$ عند $df = 2$، نجد أن:

$$p\text{-value} \approx 0.712$$

4. التفسير الإحصائي والسلوكي:
بما أن القيمة الاحتمالية ($p = 0.712$) أكبر بكثير من عتبة الدلالة ($0.05$)، فإننا نفشل في رفض الفرضية الصفرية ($H_0$) ونقبلها. يثبت هذا الاستنتاج الرياضي أن البواقي الناتجة عن قياسات القلق لا تظهر أي ارتباط تسلسلي دال إحصائياً حتى الإبطاء الثالث، وتتصرف بوصفها تشويشاً أبيض ناصعاً. من المنظور السيكومتري، يدل ذلك على أن نموذج $AR(1)$ كان كافياً تماماً لاستيعاب واستخلاص دينامية القلق اليومي واستمراريته النفسية لدى المريض، مما يؤكد أن التغيرات المتبقية في درجات القلق بعد تطبيق النموذج هي تقلبات عشوائية خالصة لا تخضع لأي نمط منتظم غير مفسر.

9. التطبيق البرمجي لاختبار ليونغ-بوكس باستخدام لغات البرمجة

9.1 تنفيذ الاختبار في بيئة لغة R

تُعد لغة البرمجة الإحصائية R البيئة الأكثر مرونة وتكاملاً لتحليل السلاسل الزمنية. توفر بيئة R الأساسية دالة مدمجة تُسمى Box.test()، بالإضافة إلى أدوات متقدمة في حزمة forecast وحزمة fable الحديثة.

لتطبيق اختبار ليونغ-بوكس في R، يتم استخدام الدالة الأساسية مع تحديد المعامل type = "Ljung-Box". من الأخطاء الشائعة جداً إهمال وسيط درجات الحرية؛ لذا يجب استخدام المعامل fitdf لتمرير مجموع رتب المعالم المقدرة ($p+q$) ليتم خصمها تلقائياً من درجات الحرية. على سبيل المثال، إذا كانت لدينا سلسلة بواقي نموذج ARIMA مخزنة في المتغير res، ونرغب في فحص 10 إبطاءات لنموذج يحتوي على معلمين مقدرين ($p=1, q=1$):

يتم استدعاء الدالة كالتالي: Box.test(res, lag = 10, type = "Ljung-Box", fitdf = 2). تقوم هذه الدالة بإخراج قيمة الإحصائية $X$-squared، ودرجات الحرية الفعلية (8 في هذه الحالة)، والقيمة الاحتمالية الدقيقة $p$-value.

بالإضافة إلى ذلك، توفر حزمة forecast الشهيرة دالة تشخيصية فائقة القوة تُدعى checkresiduals(model). بمجرد تمرير كائن النموذج المقدر إلى هذه الدالة، تقوم تلقائياً برسم مخطط ثلاثي الأبعاد يشمل: رسم السلسلة الزمنية للبواقي، ورسم دالة الارتباط الذاتي ACF مع حدود الثقة، والرسم البياني لتوزيع البواقي مقارنة بالتوزيع الطبيعي، متبوعة بطباعة فورية لنتائج اختبار ليونغ-بوكس مع الضبط التلقائي لدرجات الحرية المناسبة لنوع النموذج ورتبته.

9.2 تطبيق الاختبار عبر لغة بايثون (Python)

في بيئة بايثون لتحليل البيانات وتعلم الآلة، توفر مكتبة statsmodels دعماً قوياً ومكتملاً لتشخيص السلاسل الزمنية عبر الدالة المتخصصة acorr_ljungbox الموجودة داخل الوحدة statsmodels.stats.diagnostic.

تتميز دالة acorr_ljungbox بمرونتها العالية في معالجة مصفوفات الإبطاءات. يتم تمرير سلسلة البواقي إليها، مع ضبط المعاملات الأساسية:

  • lags: يمكن تمرير عدد صحيح يمثل الحد الأقصى للإبطاءات (مثل lags=10) ليقوم الاختبار بحساب إحصائية $Q$ والقيمة الاحتمالية لكل إبطاء من 1 إلى 10 على حدة، أو تمرير قائمة محددة من الإبطاءات مثل lags=[5, 10, 15].
  • model_df: يُستخدم لتعريف عدد المعالم المقدرة في النموذج (مثل model_df=2 لنموذج ARMA(1,1))، ليتم خصمها من درجات الحرية عند حساب القيمة الاحتمالية.
  • return_df=True: يوجه الدالة لإرجاع النتائج في شكل جدول منظم من نوع Pandas DataFrame يحتوي على عمودين رئيسيين: lb_stat (قيمة إحصائية الاختبار) و lb_pvalue (القيمة الاحتمالية المقابلة).

يتيح هذا التنسيق البرمجي لمحللي البيانات فحص تطور السلوك الارتباطي للبواقي عبر مختلف فترات التباطؤ بطريقة برمجية سريعة ومجدولة تسهل عملية الدمج ضمن خطوط المعالجة المؤتمتة.

9.3 قراءة وتحليل المخرجات الإحصائية والرسوم البيانية

يتطلب التحليل المهني السليم لمخرجات بايثون و R الربط المتكامل بين القراءات الجدولية الرقمية والتمثيل البصري. عند استعراض جدول مخرجات ليونغ-بوكس عبر عدة إبطاءات، يبحث المحلل عن مدى استقرار قيم lb_pvalue أعلى من الخط الحرج 0.05 عبر كافة الفترات الزمنية.

يجب دائماً مضاهاة هذه الأرقام مع مخطط دالة الارتباط الذاتي (ACF Plot) للبواقي؛ فإذا أظهر جدول ليونغ-بوكس قيمة احتمالية دالة ($p < 0.05$) عند الإبطاء 4 مثلاً، يكشف رسم ACF فوراً ما إذا كان هذا الرفض ناتجاً عن عمود ارتباط ذاتي منفرد وبارز يتجاوز حدود الثقة الزرقاء $\pm 1.96/\sqrt{n}$، أم أنه ناتج عن تراكم ارتباطات طفيفة متعددة. في بيئات الإنتاج والتعلم الآلي، يتم برمجة شروط منطقية مؤتمتة (Automated Validation Pipelines) مثل: assert (results['lb_pvalue'] > 0.05).all() للتأكد التلقائي من كفاءة النموذج قبل اعتماد تنبؤاته في البيئات التشغيلية الحية.

10. تطبيقات اختبار ليونغ-بوكس في الأبحاث النفسية والقياس السلوكي

10.1 تصاميم الحالة الواحدة (N=1 Designs) في علم النفس الإكلينيكي

شهدت الأبحاث الإكلينيكية والطب النفسي الحديث تحولاً متزايداً نحو تصاميم الحالة الواحدة أو الفردية (Single-Case Experimental Designs – SCED)، حيث يُقاس المتغير التابع (مثل حدة نوبات الهلع، أو الأفكار الوسواسية، أو السلوك العدواني) بشكل متكرر ومكثف لمريض واحد عبر الزمن خلال مرحلة الخط القاعدي (Baseline Phase A) ومرحلة التدخل العلاجي (Intervention Phase B).

تواجه هذه التصاميم معضلة إحصائية جوهرية تتمثل في وجود ارتباط تسلسلي ذاتي طبيعي وقوي في السلوك البشري؛ إذ إن قياس سلوك الفرد في لحظة معينة يعتمد بشدة على حالته السابقة. إذا تم تطبيق اختبارات t التقليدية أو تحليل التباين ANOVA مباشرة دون معالجة الارتباط الذاتي، فإن معدلات الخطأ من النوع الأول قد تقفز إلى أكثر من 50%، مما يؤدي إلى استنتاجات خاطئة بنجاح علاجات وهمية. في هذا السياق، يُستخدم اختبار ليونغ-بوكس لفحص بواقي نماذج السلاسل الزمنية المنقطعة (Interrupted Time Series ARIMA) لضمان تصفية الاعتمادية الذاتية السلوكية والتأكد من أن الانخفاض الملاحظ في الأعراض يعود حصرياً إلى فاعلية البروتوكول العلاجي المطبق وليس مجرد اتجاه زمني عشوائي مستمر.

10.2 دراسات التقييم اللحظي البيئي (Ecological Momentary Assessment)

مع الانتشار الواسع للهواتف الذكية والأجهزة القابلة للارتداء، أصبحت دراسات التقييم اللحظي البيئي (EMA) ومنهجية أخذ عينات الخبرة (Experience Sampling Methodology – ESM) المعيار الأحدث في دراسة الديناميات الانفعالية اللحظية في البيئة الطبيعية للمشاركين. تتضمن هذه الدراسات الإجابة عن استبيانات نفسية قصيرة عدة مرات يومياً (مثلاً 5 إلى 10 مرات في اليوم) لأسابيع متتالية لقياس التقلبات اللحظية في المزاج، والتوتر، والدافعية.

تُولد بيانات EMA سلاسل زمنية مكثفة وفائقة الكثافة (Intensive Longitudinal Data) تتميز بوجود ظاهرة القصور الذاتي الانفعالي (Emotional Inertia)، والتي تعكس قدرة الحالة النفسية على مقاومة التغير والاستمرار عبر اللحظات الزمنية المتقاربة. يُوظف اختبار ليونغ-بوكس في هذا المجال لفحص بواقي نماذج الانحدار الذاتي متعددة المستويات (Multilevel AR Models)؛ للتأكد من أن النماذج قد التقطت سرعة تعافي الفرد من الانفعالات السلبية بدقة، ولضمان خلو البواقي من أي اعتمادية قصيرة المدى قد تشوه التنبؤات اللحظية بانتكاسات الإدمان أو نوبات الاكتئاب الحادة.

10.3 القياس النفسي الفسيولوجي (Psychophysiological Data)

في مختبرات القياس النفسي الفسيولوجي وعلم الأعصاب الإدراكي، يتم تسجيل إشارات فسيولوجية مستمرة فائقة السرعة، مثل تقلب معدل ضربات القلب (Heart Rate Variability – HRV)، والتوصيل الجلدي الكهربائي (Galvanic Skin Response – GSR)، والتخطيط الكهربائي للدماغ (EEG). تعكس هذه الإشارات الحيوية التفاعلات المعقدة بين الجهاز العصبي المستقل والعمليات المعرفية والانفعالية.

تتميز البيانات الفسيولوجية بتعقيدها الديناميكي واحتوائها على ضوضاء بيولوجية وحركية متداخلة. عند بناء نماذج التصفية الخطية وعزل الاستجابات الفسيولوجية المرتبطة بالمثيرات التجريبية (Event-Related Potentials)، يُستخدم اختبار ليونغ-بوكس كأداة تدقيق صارمة لفحص بواقي عمليات التصفية التكيفية (Adaptive Filtering). يضمن اجتياز الاختبار تحويل الإشارات المتبقية إلى تشويش أبيض نقي، مما يثبت نجاح الباحث في عزل النشاط العصبي الحقيقي واستبعاد التشويش الفسيولوجي الناتج عن حركات العين أو نبضات الأوعية الدموية.

11. الأخطاء الشائعة والالتباسات الإحصائية في تفسير الاختبار

11.1 الخلط بين تطبيق الاختبار على السلسلة الأصلية مقابل البواقي

يقع العديد من الباحثين المبتدئين في التباس مفاهيمي حاد حول الغاية المنهجية من تطبيق اختبار ليونغ-بوكس وتفسير نتائجه بناءً على نوع البيانات المدخلة للاختبار:

  • عند تطبيق الاختبار على السلسلة الخام الأصلية ($Y_t$): يكون الهدف البحثي هو إثبات وجود ارتباط ذاتي يستدعي بالضرورة بناء نموذج سلسلة زمنية. في هذه الحالة، يسعى الباحث إلى رفض الفرضية الصفرية ($p < 0.05$)؛ لأن رفض $H_0$ يثبت أن البيانات ليست عشوائية وتحتوي على ذاكرة زمنية وبنية ديناميكية قابلة للنمذجة والتنبؤ.
  • عند تطبيق الاختبار على بواقي النموذج المقدر ($e_t$): ينعكس الهدف البحثي تماماً ليصبح إثبات خلو البواقي من أي ارتباط ذاتي كدليل على كفاية النموذج. في هذه الحالة، يسعى الباحث إلى قبول الفرضية الصفرية والفشل في رفضها ($p > 0.05$)؛ لأن بقاء $H_0$ يبرهن على أن النموذج نجح في امتصاص كافة العلاقات المنظمة ولم يترك سوى العشوائية الخالصة.

11.2 إغفال تعديل درجات الحرية عند نمذجة ARMA

يُمثل إغفال تعديل درجات الحرية الخطأ التقني الأكثر شيوعاً وتكراراً في الأبحاث المنشورة؛ حيث يقوم بعض الباحثين بإدخال بواقي نموذج ARMA المقدر في دالة الاختبار واستخدام درجات الحرية الافتراضية $df = h$ بدلاً من الصيغة الصحيحة $df = h – p – q$.

يؤدي هذا الخطأ إلى عواقب منهجية وخيمة؛ إذ يؤدي استخدام درجات حرية مفرطة الكبر ($h$ بدلاً من $h – p – q$) إلى إزاحة القيمة الحرجة لتوزيع كاي-تربيع نحو اليمين وتضخيم القيمة الاحتمالية $p\text{-value}$ بشكل مصطنع وخاطئ. يترتب على هذا التضخيم قبول نماذج معيبة وقاصرة إحصائياً، والاعتقاد الزائف بأن بواقيها تتبع التشويش الأبيض في حين أنها في الواقع تعاني من ارتباط ذاتي غير معالج كان سيظهر بوضوح لو تم استخدام درجات الحرية المصححة.

11.3 الاعتماد الحصري على الاختبار دون الفحص البصري

على الرغم من القوة الرياضية لاختبار ليونغ-بوكس، إلا أن الاعتماد الحصري والمطلق على رقم القيمة الاحتمالية ($p\text{-value}$) دون إجراء فحص تشخيصي بصري شامل يمثل ممارسة إحصائية محفوفة بالمخاطر. قد يفشل الاختبار التجميعي في اكتشاف ارتباطات لاخطية شديدة التعقيد، أو قد يتأثر بشكل مفرط بوجود قيم شاذة متطرفة مفردة (Outliers) ناتجة عن أخطاء إدخال أو صدمات لحظية استثنائية في السلسلة الزمنية.

يمكن لقيمة شاذة وحيدة أن ترفع تباين العينة وتزيف معاملات الارتباط الذاتي العينية، مما يؤدي إما إلى تضخيم إحصائية $Q$ ورفض نموذج ممتاز، أو العكس. لذا، تشدد التوصيات المنهجية العالمية على أن التشخيص السليم للبواقي يجب أن يكون “ثنائياً متكاملاً” يجمع بين الفحص الرقمي الصارم عبر ليونغ-بوكس والفحص البصري المتأني لمخططات ACF و PACF ورسوم التوزيع الاحتمالي للبواقي ومخططات تشتت القيم الشاذة.

12. أفضل الممارسات والتوصيات المنهجية للباحثين

12.1 استراتيجيات التعامل مع فشل اختبار ليونغ-بوكس (رفض $H_0$)

عندما يسفر اختبار ليونغ-بوكس عن رفض الفرضية الصفرية لبواقي النموذج المقدر ($p le 0.05$)، يجب على الباحث عدم التراجع بل اتباع خطوات علاجية منظمة لتصحيح مسار النمذجة:

  1. إعادة تقييم رتب النموذج (Order Re-specification): فحص دالة الارتباط الذاتي للبواقي لتحديد الإبطاءات الدالة. إذا ظهر ارتباط عند الإبطاء 1 أو 2، يتم رفع رتبة الانحدار الذاتي ($p$) أو المتوسطات المتحركة ($q$) للنموذج.
  2. فحص الديناميات الموسمية (Seasonal Dynamics): إذا ظهر الارتباط الذاتي عند فترات متباعدة ومنتظمة (مثل $k = 4, 12, 24$)، يشير ذلك إلى موسمية مهملة تتطلب الانتقال إلى نماذج $SARIMA(p,d,q)(P,D,Q)_s$.
  3. معالجة عدم استقرار التباين: إذا كانت البواقي تظهر تبايناً متسعاً عبر الزمن، ينبغي تطبيق تحويلات تثبيت التباين، مثل تحويل بوكس-كوكس (Box-Cox Transformation) أو التحويل اللوغاريتمي قبل إعادة تقدير النموذج.
  4. إضافة متغيرات مفسرة خارجية (ARIMAX / Transfer Function Models): قد يعكس الارتباط المتبقي تأثير متغير بيئي أو سلوكي خارجي لم يتم تضمينه في النموذج، مما يستوجب التحول إلى النمذجة الديناميكية متعددة المتغيرات.

12.2 إجراءات التحقق المتقاطع والمقارنة المتعددة

لضمان أعلى درجات الرصانة والموثوقية في النتائج البحثية، يُوصى باتباع مصفوفة تحقق إحصائية شاملة تتضمن الخطوات التالية:

  • فحص المتانة عبر نوافذ إبطاء متعددة: توثيق نتائج اختبار ليونغ-بوكس عبر فترات إبطاء متعددة وقصيرة ومتوسطة وطويلة (مثل $h = 5, 10, 15, 20$) للتأكد من أن عشوائية البواقي ثابتة ولا تتأثر باختيار نافذة زمنية محددة.
  • فحص استقرار التباين الشرطي (ARCH-LM Test): إجراء اختبار إنغل لمضاعفات لاغرانج للتأكد من خلو البواقي من تقلبات التغاير الشرطي الذاتي، مما يضمن كفاءة التقديرات الخطية.
  • التحقق من التوزيع الطبيعي للبواقي: فحص اعتدالية توزيع البواقي باستخدام اختبار شابيرو-ويلك (Shapiro-Wilk) أو اختبار خاركي-بيرا (Jarque-Bera) ورسم مخطط المعاينة الاحتمالية الطبيعية (Q-Q Plot).

12.3 دليل إرشادي موجز لتقرير نتائج الاختبار في البحوث العلمية

عند كتابة التقارير والأوراق العلمية وفقاً لدليل النشر الصادر عن الجمعية الأمريكية لعلم النفس (APA Style – 7th Edition)، يجب توثيق نتائج اختبار ليونغ-بوكس بدقة وشفافية إحصائية كاملة. يتضمن التوثيق المعياري ذكر: اسم الاختبار، وقيمة الإحصائية المحسوبة $Q$ مقربة لمنزلتين أو ثلاث منازل عشرية، ودرجات الحرية الفعلية $df$ بين قوسين، والقيمة الاحتمالية الدقيقة $p$-value، مع تحديد نموذج السلسلة الزمنية المقدر بدقة.

نموذج تطبيقي للصياغة الأكاديمية المعتمدة:

“لتقييم جودة ملاءمة النموذج المقدر $ARIMA(1,0,1)$ ومطابقة بواقيه لافتراضات الاستقلالية العشوائية، تم تطبيق اختبار ليونغ-بوكس التجميعي على بواقي النموذج عبر 10 فترات إبطاء زمنية. أظهرت النتائج الإحصائية أن البواقي لا تختلف دلالياً عن عملية التشويش الأبيض، حيث بلغت قيمة الإحصائية $Q(8) = 6.42$، بقيمة احتمالية غير دالة إحصائياً ($p = 0.599$). تؤكد هذه النتيجة خلو البواقي من أي ارتباط تسلسلي متبقٍ، مما يبرهن على الكفاية التشخيصية للنموذج وقدرته على تفسير الديناميات النفسية والسلوكية للبيانات.”

يُفضل دائماً إرفاق هذه الصياغة بملحق بياني يتضمن مخطط دالة الارتباط الذاتي (ACF) للبواقي ومخطط درجات الحرية، لتقديم برهان إحصائي متكامل يدعم الصدق الداخلي للدراسة.

خاتمة

يُمثل اختبار ليونغ-بوكس (Ljung-Box Test) إحدى الركائز الأكثر تأثيراً وإشراقاً في تاريخ الإحصاء التطبيقي ونمذجة السلاسل الزمنية. فمن خلال معادلته المصممة لمعالجة قصور العينات المحدودة، استطاع الاختبار سد فجوة منهجية حرجة كانت تعيق دقة التقييم والتشخيص في النماذج الديناميكية الكلاسيكية. وكما أوضحنا عبر هذا الدليل الشامل، فإن قوة الاختبار لا تكمن فقط في بنيته الرياضية الرصينة، بل في مرونته التطبيقية الفائقة التي جعلته أداة حتمية في مجالات شديدة التنوع؛ تمتد من الاقتصاد القياسي والتحليل المالي، إلى أحدث التطبيقات السلوكية والنفسية في تصاميم الحالة الواحدة والتقييم اللحظي البيئي (EMA).

إن التطبيق السليم لاختبار ليونغ-بوكس يتطلب من الباحث وعياً إحصائياً نقدياً يتجاوز مجرد قراءة القيم الاحتمالية الآلية؛ إذ يجب مراعاة الشروط المسبقة للاستقرارية، وضبط درجات الحرية بناءً على معالم النموذج المقدر بدقة متناهية ($df = h – p – q$)، واختيار فترات الإبطاء المتوازنة، والتكامل الدائم بين النتائج الرقمية والفحص البصري لدوال الارتباط الذاتي. ومن خلال الالتزام بهذه الضوابط المنهجية وأفضل ممارسات التوثيق الأكاديمي، يضمن الباحثون والمحللون بناء نماذج تنبؤية موثوقة تستند إلى أسس علمية رصينة، قادرة على تقديم رؤى دقيقة وتفسيرات أصيلة للظواهر المعقدة عبر الزمن.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 27). اختبار ليونغ-بوكس: التعريف + مثال. عرب سايكلوجي. https://arabpsychology.com/statistics/ljung-box-test-definition-example/
looti, Mohammed. “اختبار ليونغ-بوكس: التعريف + مثال.” عرب سايكلوجي, 27 أغسطس 2026, https://arabpsychology.com/statistics/ljung-box-test-definition-example/.
looti, Mohammed. “اختبار ليونغ-بوكس: التعريف + مثال.” عرب سايكلوجي. أغسطس 27, 2026. https://arabpsychology.com/statistics/ljung-box-test-definition-example/.