961
个编辑
更改
→Test with estimated parameters 用估计的参数进行测试
想要使用估计参数值，自然而然会出现应该使用哪种估计方法的问题。通常情况下，采用的是最大似然法，但对于如正态分布，最大似然法在sigma上具有较大的偏差。而使用矩量拟合或KS最小化来替代则对临界值有很大影响，并且对检验功效也有一定影响。如果我们需要通过KS测试来确定df = 2的Student-T数据是否正常，那么基于H0的最大似然率估计（数据是正常的，因此使用标度的标准偏差）会得出更大的KS距离，从而不符合最小KS的拟合。在这种情况下，我们应该拒绝H0，在最大似然法中通常是这样，因为对于T-2数据而言，样本标准偏差可能非常大，但是如果将KS最小化，我们可能会得到太低的KS而无法拒绝H0。在Student-T情况下，用KS估计而不是最大似然法来进行改进的KS检验会使其效果稍差一些。但是在其他情况下，经过改良的KS检测会会得到更好的检验功效。
想要使用估计参数值，自然而然会出现应该使用哪种估计方法的问题。通常情况下，采用的是最大似然法，但对于如正态分布，最大似然法在sigma上具有较大的偏差。而使用矩量拟合或KS最小化来替代则对临界值有很大影响，并且对检验功效也有一定影响。如果我们需要通过KS测试来确定df = 2的Student-T数据是否正常，那么基于H0的最大似然率估计（数据是正常的，因此使用标度的标准偏差）会得出更大的KS距离，从而不符合最小KS的拟合。在这种情况下，我们应该拒绝H0，在最大似然法中通常是这样，因为对于T-2数据而言，样本标准偏差可能非常大，但是如果将KS最小化，我们可能会得到太低的KS而无法拒绝H0。在Student-T情况下，用KS估计而不是最大似然法来进行改进的KS检验会使其效果稍差一些。但是在其他情况下，经过改良的KS检测会会得到更好的检验功效。
=== Discrete and mixed null distribution 离散和混合零分布 ===
=== Discrete and mixed null distribution 离散和混合零分布 ===