我想找到最适合某些数据的分布。这通常是某种测量数据,例如力或扭矩。在
理想情况下,我想用多个分布运行Anderson-Darling,并选择具有最高p值的分布。这类似于Minitab中的“拟合优度”测试。我很难找到计算p值的Anderson-Darling的python实现。在
我试过scipy的stats.anderson()
,但它只返回AD统计和具有相应显著性水平的临界值列表,而不是p值本身。在
我也研究过statsmodels
,但它似乎只支持正态分布。我需要比较几种分布的拟合度(正态分布、威布尔分布、对数正态分布等)。在
在python中是否有Anderson-Darling的实现,它返回p值并支持非正态分布?在
我只会根据拟合优度统计对分布进行排序,而不是按p值。我们可以使用Anderson-Darling、Kolmogorov-Smirnov或类似的统计数据作为距离度量来排序不同分布的拟合程度。在
背景:
Anderson-Darling或Kolmogorov-Smirnov的p值取决于参数是否被估计。在这两种情况下,分布都不是标准分布。在
在某些情况下,我们可以将表中的值制成表格或使用函数近似值。如果不估计参数,并且分布是没有形状参数的简单位置比例族,则会出现这种情况。在
对于具有形状参数的分布,计算p值所需的检验统计量的分布取决于参数。也就是说,我们必须为每一组参数计算不同的分布或列表p值,这是不可能的。 在这些情况下,获得p值的唯一方法是通过引导或模拟特定参数的测试统计。在
技术条件是检验统计量是否渐近关键,即检验统计量的渐近分布与具体参数无关。在
对分块数据进行卡方检验需要较少的假设,即使在估计参数的情况下也可以进行计算。(严格地说,只有当MLE使用binned数据来估计参数时,这才是正确的。)
相关问题 更多 >
编程相关推荐