Kolmogorov-Smirnov或卡方检验分布？

Question

我使用模型拟合来将负二项分布拟合到我的离散数据中.作为最后一步,看起来我需要执行Kolmogrov-Smirnov测试以确定模型是否适合数据.所有引用我能找到谈论使用测试正常分布的连续数据.有人可以告诉我,如果可以在R中为非正态分布和离散的数据做到这一点吗？(即使进行卡方测试也应该猜测,但如果我错了,请纠正我.)

更新:

所以我发现该vcd软件包包含一个goodfit可以通过以下方式用于此目的的函数:

library(vcd)

# Define the data
data <- c(67, 81, 93, 65, 18, 44, 31, 103, 64, 19, 27, 57, 63, 25, 22, 150,
          31, 58, 93, 6, 86, 43, 17, 9, 78, 23, 75, 28, 37, 23, 108, 14, 137,
          69, 58, 81, 62, 25, 54, 57, 65, 72, 17, 22, 170, 95, 38, 33, 34, 68,
          38, 117, 28, 17, 19, 25, 24, 15, 103, 31, 33, 77, 38, 8, 48, 32, 48,
          26, 63, 16, 70, 87, 31, 36, 31, 38, 91, 117, 16, 40, 7, 26, 15, 89,
          67, 7, 39, 33, 58)

gf <- goodfit(data, type = "nbinomial", method = "MinChisq") 
plot(gf)

但是在这gf <- ...一步之后,R抱怨说:

Warning messages:
1: In pnbinom(q, size, prob, lower.tail, log.p) : NaNs produced
2: In pnbinom(q, size, prob, lower.tail, log.p) : NaNs produced
3: In pnbinom(q, size, prob, lower.tail, log.p) : NaNs produced

当我说它plot抱怨时:

Error in xy.coords(x, y, xlabel, ylabel, log) : 
  'x' is a list, but does not have components 'x' and 'y'

我不确定发生了什么,因为如果我设置data如下:

data <- <- rnbinom(200, size = 1.5, prob = 0.8)

一切正常.有什么建议？

Answer 1

KS-Test仅适用于连续变量,另外您必须完全指定要测试的分布.如果您仍想这样做,它将如下所示:

ks.test(data, pnbinom, size=100, prob=0.8)

它将经验累积分布函数data与指定函数进行比较(这是否有意义可能取决于您的数据).你将不得不选择的参数size和prob基于理论上的考虑,测试,如果你估计基于那些数据参数无效.

您的问题goodfit()可能与您的数据有关,您确定这些是重要的吗？barplot(table(data))看起来它看起来不像是负二项分布,比较,例如,与barplot(table(rnbinom(200, size = 1.5, prob = 0.8)))

最后,我不确定在拟合后进行零假设检验的方法是否合适.您可能希望研究超出/基于$\chi ^ 2 $的定量拟合度量,其中有许多(RMSEA,SRMR,...).