Ljung-Box檢驗即LB檢驗，是時間序列分析中檢驗序列自相關性的方法。LB檢驗的Q統計量為：
用來檢驗m階滯后范圍內序列的自相關性是否顯著，或序列是否為白噪聲，Q統計量服從自由度為m的卡方分布。
LB檢驗可同時用於時間序列以及時序模型的殘差是否存在自相關性（是否為白噪聲）。Python的statsmodels包提供了該檢驗的函數：
from statsmodels.stats.diagnostic import acorr_ljungbox as lb_test
函數輸入 lb_test(x,lags=None,boxpierce=False):
x：檢驗的時間序列
lags(int,list or None)：檢驗的延遲數，
若為None則輸出min((nobs // 2 - 2), 40)，其中nobs為觀測樣本數量，樣本較大的情況下輸出40
boxpierce:若為True，則同時輸出boxpierce統計量的檢驗結果
（Box-Pierce檢驗為白噪聲檢驗的另一個版本，是LB檢驗的前身）
函數輸出：
LB統計量值（array）
LB-p值（array）
若boxpierce=True，則繼續輸出BP統計量的值和相應p值
作為樣例，選取了一段市場指數的回報率進行檢驗，輸出p值序列：
plt.plot(lb_test(df_list[index_list[0]]['Return'])[1]) plt.show()
在延遲超過5時，p值下降到0.05置信度以下，可以認為出現顯著的自回歸關系，且序列並非白噪聲