R中如何使用PearsonFitM()解读皮尔逊分布拟合结果并绘图

一、pearsonFitM()返回值含义 #

传入前四阶矩调用pearsonFitM()得到的结果中，各字段作用如下：

• type：皮尔逊分布族的具体分型，取值范围为1-7，由传入的偏度、峰度组合自动判定。不同分型对应不同的概率密度形式：1型属于Beta分布族、4型为无界偏态厚尾分布、5型属于逆Gamma分布族、6型属于F分布族、7型属于t分布族。
• a、b：分布的形状参数，是决定分布偏斜程度、尾部厚度的核心参数。不同分型下参数的数学定义存在差异，不需要手动换算，直接传入包内置的密度、分布、分位数函数即可调用。
• location：位置参数，控制分布整体的平移幅度，与传入的样本均值直接相关。
• scale：尺度参数，控制分布的拉伸/压缩幅度，与传入的样本方差直接相关。

注意：pearsonFitM()要求传入的峰度为超额峰度，即常规计算得到的峰度值减3，直接传入原始峰度会得到完全错误的分型和参数。

二、拟合效果绘图方法 #

完成拟合后，通过两类图可以直观判断匹配程度，以下代码可直接运行，替换你自己的样本数据变量名即可：

library(PearsonDS)
# 第一步：拟合模型，替换为你自己计算的样本矩
# mu=样本均值，var=样本方差，skew=样本偏度，kurt=样本原始峰度
fit <- pearsonFitM(mean = mu, variance = var, skewness = skew, kurtosis = kurt - 3)

# 第二步：绘制直方图+理论密度对比图
hist(your_data, freq = FALSE, breaks = "FD", 
     main = "皮尔逊分布拟合密度对比", xlab = "观测值", col = "lightgray")
# 生成拟合分布的密度坐标
x_seq <- seq(min(your_data), max(your_data), length.out = 1000)
lines(x_seq, dpearson(x_seq, params = fit), col = "red", lwd = 2)
legend("topright", 
       legend = c("实际数据直方图", "拟合皮尔逊分布密度"),
       fill = c("lightgray", NA), col = c(NA, "red"), lwd = c(NA, 2), bty = "n")

# 第三步：绘制经验CDF与理论CDF对比图（不受直方图分组方式干扰，更适合判断尾部拟合效果）
plot(ecdf(your_data), main = "皮尔逊分布拟合CDF对比", 
     xlab = "观测值", ylab = "累积概率", col = "gray", lwd = 1)
lines(x_seq, ppearson(x_seq, params = fit), col = "blue", lwd = 2)
legend("bottomright", 
       legend = c("实际数据经验CDF", "拟合皮尔逊分布CDF"),
       col = c("gray", "blue"), lwd = 2, bty = "n")

如果红色密度线和直方图轮廓基本重合、蓝色CDF线和灰色经验CDF线几乎重叠，说明拟合效果较好。

三、量化拟合优度验证 #

除了可视化，还可以通过两个方法量化判断拟合效果：

• K-S检验：检验样本是否来自拟合得到的理论分布

ks_res <- ks.test(your_data, "ppearson", params = fit)
print(ks_res)

若检验p值大于0.05，说明在95%置信水平下，无法拒绝数据服从该拟合皮尔逊分布的原假设。

• 分位点对比：对比关键分位点的实际值和理论值，判断局部偏差

check_probs <- c(0.01, 0.05, 0.25, 0.5, 0.75, 0.95, 0.99)
q_compare <- data.frame(
  样本实际分位数 = quantile(your_data, probs = check_probs),
  拟合分布理论分位数 = qpearson(check_probs, params = fit)
)
print(q_compare)

两个分位数的差值越小，对应位置的拟合效果越好，重点关注1%、99%这类尾部分位点的偏差。

内容的提问来源于stack exchange，提问作者Anna Morelli