擬合優度親愛的社區，
我有一個關於適合度檢定的問題。
我創建了資料分佈。
我啟動適合度檢驗，結果（例如）是：模擬 p 值 = 0.1440
我更改 X 軸的最大值（或最小值）...並重新啟動 Fif 的 Goodness...並且模擬 p 值不同。
對我來說這很奇怪......因為我不明白 X 尺度的唯一變化如何影響擬合優度的計算。
感謝您的回饋。
西蒙娜
基礎資料分析與建模數據探索和視覺化品質和工藝工程回覆：擬合優度關鍵是「模擬」這個詞。在某些情況下，對於諸如此 p 值之類的量，無法得到封閉式解或近似值。在這種情況下，我們使用模擬來匯出 p 值。模擬基於大量隨機樣本。這些樣本不可重複，但如果數量很大，結果相當穩定。
回覆：擬合優度我希望你能擴展你的回應。我想說：我沒有使用擬合優度選項，但我經常使用其他軟體對資料進行擬合分佈。如果您修復一些參數，而不是僅在沒有參數限制的情況下執行擬合優度測試，我希望擬合度會改變。一旦限制參數，我預計擬合優度會降低，因為您引入了原始擬合優度中不存在的限制。例如，如果您允許正態分佈中的平均值與資料擬合，然後將其與將平均值限制為特定值的擬合進行比較，我認為擬合只會變得更糟，而不是更好。請對此進行更多解釋。
我打算在原來的任務中加入一則評論。如果我有大量數據，我幾乎總是發現您可以拒絕數據來自指定分佈的假設。所以，我很少對假設檢定感興趣。我發現擬合的可視化資訊更豐富。儘管 p 值通常 <.0001，但擬合結果通常看起來非常接近。該問題引用了 0.144 的 p 值，如此清楚地表明數據與我所使用的數據不同 - 要么來自已知分佈的模擬數據，要么是表現更好的數據生成過程。我想可視化看起來也非常接近。在這種情況下，根據我的想法，將參數固定為擬合值以外的值應該會大大降低該 p 值（擬合度較差）。這是正確的嗎？
回覆：擬合優度嗨@dlehman1 /；好問題。
(1) 所以，我很少對假設檢定感興趣。我發現擬合的可視化資訊更豐富。儘管 p 值通常 <.0001，但擬合結果通常看起來非常接近。該問題引用了 0.144 的 p 值，因此數據與我所使用的數據不同 - 要么來自已知分佈的模擬數據，要么是表現更好的數據生成過程。
是的，這很常見。當你的樣本量很大時，你可能會陷入「被壓倒」的境地；在這種情況下，小
（也許可以忽略不計）偏離分佈將導致拒絕分佈。我也看劇情等
評估與假設分佈的任何有意義的偏離。
(2)如果您修復一些參數，而不是只執行沒有參數限制的適合度檢驗，我希望適合度會改變。一旦限制參數，我預計擬合優度會降低，因為您引入了原始擬合優度中不存在的限制。例如，如果您允許正態分佈中的平均值與資料擬合，然後將其與將平均值限制為特定值的擬合進行比較，我認為擬合只會變得更糟，而不是更好。請對此進行更多解釋。
一般來說，我預期擬合度會更差，而 GOF 測試會反映這一點。你能舉個例子嗎
哪裡不是這樣？
回覆：擬合優度我不明白你的問題（2）。聽起來我們的意見是一致的：限制參數應該會導致擬合更差。這就是我所說的，聽起來就像你所說的。
回覆：擬合優度嗨@dlehman1 ：是的，我們同意！我只是想知道你是否有一個不是這種情況的例子？
回覆：擬合優度我不知道有這樣的案例——但在我看來，它們不應該存在。由於初始無限制擬合最小化了一些損失函數，我認為限制擬合也不會做得更好 - 除非初始擬合的演算法不是最優的。例如，如果找到局部而非全域解決方案，那麼將參數限製到決策空間的不同部分可能會找到更好的解決方案。但從概念上講，在我看來，限制性配合永遠不應該比非限制性配合更好。這樣有道理嗎？
回覆：擬合優度嗨@dlehman1 ：同意。我想可能有一些警告：
- 參數估計方法。 MoM（矩量法）、MLE 等。 s的 MLE（和 MoM 估計）不同於（小於）「通常」使用的無偏估計。哪一種s估計（給定m由樣本平均值估計）會導致 GOF 測試更好的「擬合」？我不知道。我認識到，在這個例子中，兩個估計量都是一致的，並且對於較大的 n 來說，它們之間的差異非常小。
- 如果使用模擬來評估 GOF，我想可能存在非零機率，在某些情況下，我們的直覺似乎讓我們失望（透過模擬錯誤）。但在我看來，這似乎很遙遠。
這裡有很多值得深思的地方！
回覆：擬合優度親愛的馬克，
感謝並抱歉我遲到的回饋...我在社區註冊時遇到了一些問題。
現在一切都好了。
再次感謝您的回饋。
此致，
西蒙娜
