python是否有一个Anderson-Darling实现返回p值？

我想找到最适合某些数据的分布。这通常是某种测量数据，例如力或扭矩

理想情况下，我希望使用多个分布运行Anderson Darling，并选择具有最高p值的分布。这类似于Minitab中的“拟合优度”测试。我很难找到Anderson Darling的python实现来计算p值

我尝试了scipy的

stats.anderson（）

，但它只返回AD统计数据和具有相应显著性水平的临界值列表，而不是p值本身

我还研究了

statsmodels

，但它似乎只支持正态分布。我需要比较几种分布（正态分布、威布尔分布、对数正态分布等）的拟合

---

python中是否有Anderson-Darling的实现，它返回p值并支持非正态分布？

我只根据拟合优度统计而不是p值对分布进行排序。我们可以使用Anderson-Darling、Kolmogorov-Smirnov或类似的统计数据作为距离度量来对不同分布的拟合程度进行排序

背景：

Anderson-Darling或Kolmogorov-Smirnov的p值取决于是否估计参数。在这两种情况下，分布都不是标准分布

在某些情况下，我们可以制表或使用函数近似值来制表。如果未估计参数，且分布是没有形状参数的简单位置比例族，则会出现这种情况

对于具有形状参数的分布，我们计算p值所需的测试统计量的分布取决于参数。也就是说，我们必须为每一组参数计算不同的分布或列表p值，这是不可能的。 在这些情况下，获得p值的唯一解决方案是通过引导或模拟特定参数的测试统计

技术条件是检验统计量是否渐近关键，这意味着检验统计量的渐近分布与特定参数无关

对分格数据使用卡方检验需要较少的假设，即使在估计参数时，我们也可以进行计算。（严格来说，只有当MLE使用装箱数据估计参数时，这才是正确的。）

您可以在OpenTURNS库中检查这一点。 基本上，如果x是Python列表或Numpy数组

import openturns as ot
sample = ot.Sample(x)

调用Anderson-Darling方法

test\u result=ot.NormalityTest.AndersonDarlingNormal（样本）

---

通过调用

test\u result.getPValue（）

获得p\u值，谢谢您的回答。您建议使用测试统计数据，因为它是拟合的度量。但是，我注意到Minitab特别警告不要使用此统计数据来确定最佳拟合：“但是，避免在广告值接近时直接比较不同发行版的广告值，因为不同发行版的广告统计数据分布不同。为了更好地比较不同分布的拟合，请使用其他标准，例如概率图、p值和您的过程知识。“他们建议p值作为更好的拟合度量。这里是Minitab文档的链接：Minitab评论对我来说没有多大意义，我也不知道他们如何计算带有形状参数的分布的p值，除非他们使用模拟值或仅限于没有形状参数的分布。AD和KS以及类似的GOF统计只是假设分布和经验分布之间的距离度量。检验统计量越小，分布就越接近给定的距离度量定义中的数据。使用概率图作为额外的辅助工具总是有用的，因为它提供了额外的信息，其中分布可能适合或不适合。如果我们在未估计参数的情况下使用p值，那么在估计参数的情况下，p值将不正确。