如何用Anderson Darling检验法检验Gamma、Weibull、指数分布的拟合优度

Anderson-Darling（AD）检验是一种加权拟合优度检验，通过对比样本经验分布函数与理论分布函数的差异，评估样本是否来自指定分布。它对分布尾部的拟合差异更为敏感，适合Gamma、Weibull和指数这类偏态分布的检验。

通用检验流程 #

所有分布的AD检验都遵循以下核心步骤：

1. 参数估计：从样本数据中拟合目标分布的未知参数（如Gamma的形状/尺度、Weibull的形状/尺度）。
2. 计算AD统计量：基于估计后的理论分布，计算样本经验分布与理论分布的加权平方差。
3. 假设检验：将统计量与临界值对比，或通过p值判断是否拒绝“样本来自该理论分布”的原假设（通常以0.05为显著性水平）。

针对各分布的具体实现（Python示例） #

以下使用scipy.stats库完成检验，代码可直接复用。

1. Gamma分布检验 #

Gamma分布需估计形状（a）和尺度（scale）参数，通常固定位置参数为0。

import numpy as np
from scipy import stats

# 替换为你的真实样本数据
data = stats.gamma.rvs(a=2, scale=3, size=100, random_state=42)

# 步骤1：估计Gamma分布参数（固定位置参数loc=0）
shape, loc, scale = stats.gamma.fit(data, floc=0)

# 步骤2：执行AD检验
ad_result = stats.anderson(data, dist='gamma', args=(shape, loc, scale))

# 步骤3：解读结果
print(f"AD统计量: {ad_result.statistic:.4f}")
print("临界值（对应显著性水平）:")
for sig, crit in zip(ad_result.significance_level, ad_result.critical_values):
    print(f"  {sig}%: {crit:.4f}")
# 部分scipy版本支持直接输出p值
if hasattr(ad_result, 'pvalue'):
    print(f"p值: {ad_result.pvalue:.4f}")

• 判断逻辑：若AD统计量大于对应显著性水平的临界值（或p值<0.05），则拒绝原假设，认为样本不来自Gamma分布。

2. Weibull分布检验 #

Weibull分布需估计形状（c）和尺度（scale）参数，同样固定位置参数为0。

# 替换为你的真实样本数据
data = stats.weibull_min.rvs(c=1.5, scale=5, size=100, random_state=42)

# 步骤1：估计Weibull分布参数（固定位置参数loc=0）
shape, loc, scale = stats.weibull_min.fit(data, floc=0)

# 步骤2：执行AD检验
ad_result = stats.anderson(data, dist='weibull_min', args=(shape, loc, scale))

# 步骤3：解读结果
print(f"AD统计量: {ad_result.statistic:.4f}")
print("临界值（对应显著性水平）:")
for sig, crit in zip(ad_result.significance_level, ad_result.critical_values):
    print(f"  {sig}%: {crit:.4f}")
if hasattr(ad_result, 'pvalue'):
    print(f"p值: {ad_result.pvalue:.4f}")

• 注意：scipy中Weibull分布对应dist='weibull_min'，参数顺序为（形状、位置、尺度）。

3. 指数分布检验 #

指数分布是Gamma（形状=1）和Weibull（形状=1）的特例，仅需估计尺度参数。

# 替换为你的真实样本数据
data = stats.expon.rvs(scale=4, size=100, random_state=42)

# 步骤1：估计指数分布参数（固定位置参数loc=0）
loc, scale = stats.expon.fit(data, floc=0)

# 步骤2：执行AD检验
ad_result = stats.anderson(data, dist='expon', args=(loc, scale))

# 步骤3：解读结果
print(f"AD统计量: {ad_result.statistic:.4f}")
print("临界值（对应显著性水平）:")
for sig, crit in zip(ad_result.significance_level, ad_result.critical_values):
    print(f"  {sig}%: {crit:.4f}")
if hasattr(ad_result, 'pvalue'):
    print(f"p值: {ad_result.pvalue:.4f}")

关键注意事项 #

• 参数估计必须基于样本数据，不能使用预设的理论参数，否则检验结果无意义。
• 不同统计工具的参数顺序可能存在差异（如R语言的goftest::ad.test），需对应调整参数输入。
• 拟合优度检验的结论是“不能拒绝原假设”而非“接受原假设”，即仅能说明数据与目标分布无显著差异，而非完全符合。

内容的提问来源于stack exchange，提问作者Daisha