拟合优度亲爱的社区：
我对拟合优度检验有一个疑问。
我创建了数据分布。
我启动拟合优度检验，结果（例如）为：模拟 p 值 = 0.1440
我更改了 X 轴上的最大值（或最小值）...并重新启动 Fif 的优度……而模拟的 p 值却不同。
对我来说这很奇怪...因为我不明白X 比例的唯一变化如何影响拟合优度的计算。
感谢您的反馈。
西蒙尼
基础数据分析与建模数据探索与可视化质量与工艺工程回复：拟合优度关键在于“模拟”这个词。在某些情况下，对于诸如此 p 值之类的量，无法获得闭式解或近似值。在这种情况下，我们使用模拟来得出 p 值。模拟基于大量随机样本。这些样本不可重现，但如果数量很大，结果会相当稳定。
回复：拟合优度我希望你能进一步阐述你的回答。我本来想说：我没有使用拟合优度选项，但我经常使用其他软件将分布拟合到数据中。如果你修复一些参数，而不是仅仅运行没有参数限制的拟合优度检验，我预计拟合度会发生变化。一旦你限制了参数，我预计拟合优度会降低，因为你引入了原始拟合优度中没有的约束。例如，如果你允许正态分布中的平均值拟合数据，然后将其与将平均值限制为特定值的拟合进行比较，我会认为拟合只会变得更糟，而不是更好。请对此进行进一步解释。
我原本想在原始任务中添加一条评论。如果我有大量数据，我几乎总是发现您可以拒绝数据来自指定分布的假设。因此，我很少发现假设检验很有趣。我发现拟合的可视化更具信息量。即使 p 值通常小于 .0001，拟合通常看起来非常接近。问题引用了 0.144 的 p 值，因此很明显数据与我处理过的数据不同 - 要么是来自已知分布的模拟数据，要么是行为更良好的数据生成过程。我可以想象可视化看起来也非常接近。在这种情况下，根据我的想法，将参数固定在拟合值以外的值应该会大大降低这个 p 值（使拟合变差）。对吗？
回复：拟合优度你好@dlehman1 /；好问题。
(1) 因此，我很少对假设检验感兴趣。我发现拟合的可视化更具信息量。通常，即使 p 值通常小于 .0001，拟合看起来也相当接近。问题引用的 p 值为 0.144，因此很明显，数据与我处理过的数据不同 - 要么是来自已知分布的模拟数据，要么是行为更良好的数据生成过程。
是的，这很常见。当你的样本量很大时，你可能会陷入“过度”的情况；在这种情况下，小样本
（可能可以忽略不计）偏离分布将导致拒绝分布。我也看图等来
评估与假设分布的任何有意义的偏差。
(2)如果您固定一些参数，而不是仅仅运行没有参数限制的拟合优度检验，我预计拟合度会发生变化。一旦您限制了参数，我预计拟合优度会降低，因为您引入了原始拟合优度中没有的约束。例如，如果您允许正态分布中的平均值与数据拟合，然后将其与将平均值限制为特定值的拟合进行比较，我认为拟合只会变得更糟，而不是更好。请对此进行更多解释。
总体而言，我预计拟合度会更差，并且 GOF 测试会反映这一点。您能否举个例子
哪里不是这样呢？
回复：拟合优度我不明白你的问题 (2)。听起来我们意见一致：限制参数会导致拟合度变差。这就是我所说的，听起来你也是这么说的。
回复：拟合优度嗨@dlehman1 ：是的，我们意见一致！我只是想知道你是否有不这样的例子？
回复：拟合优度我不知道有任何此类情况 - 但在我看来，它们不应该存在。由于初始无限制拟合最小化了一些损失函数，我认为限制拟合不会做得更好 - 除非初始拟合的算法不是最优的。例如，如果找到了局部但不是全局的解决方案，那么将参数限制到决策空间的不同部分可能会找到更好的解决方案。但从概念上讲，在我看来，限制拟合永远不会比无限制拟合更好。这有道理吗？
回复：拟合优度你好@dlehman1 ：同意。我想可能会有一些注意事项：
- 参数估计方法。MoM（矩量法）、MLE 等。为了便于讨论，假设我们假设正态分布。s 的 MLE（和 MoM 估计）与“通常”使用的无偏估计不同（小于）。哪个s估计值（假设m由样本均值估计）会导致 GOF 检验的“拟合度”更好？我不确定。我认识到，在这个例子中，两个估计量都是一致的，并且对于较大的 n，它们之间的差异非常小。
- 如果使用模拟来评估 GOF，我认为在某些情况下，我们的直觉似乎会让我们失望（通过模拟错误），这种可能性不为零。但在我看来，这种情况似乎非常罕见。
这里有很多值得思考的东西！
回复：拟合优度亲爱的马克，
谢谢，很抱歉我的反馈迟了...我在注册社区时遇到了一些问题。
现在一切都好了。
再次感谢您的反馈。
此致，
西蒙尼
