python是否有返回pvalue的AndersonDarling实现？

Question

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

Answer 1

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。）