Kolmogorov-Smirnov还是分布的卡方检验？

我使用模型拟合将负二项分布拟合到我的离散数据中。最后一步，我似乎需要执行Kolmogrov-Smirnov测试，以确定模型是否适合数据。我能找到的所有参考文献都在谈论使用正常分布连续数据的测试。有人能告诉我，对于非正态分布和离散的数据，这是否可以在R中实现？（我猜，即使是卡方检验也可以，但如果我错了，请纠正我。）

更新：

因此，我发现

vcd

软件包包含一个功能

goodfit

，可通过以下方式用于此目的：

library(vcd)

# Define the data
data <- c(67, 81, 93, 65, 18, 44, 31, 103, 64, 19, 27, 57, 63, 25, 22, 150,
          31, 58, 93, 6, 86, 43, 17, 9, 78, 23, 75, 28, 37, 23, 108, 14, 137,
          69, 58, 81, 62, 25, 54, 57, 65, 72, 17, 22, 170, 95, 38, 33, 34, 68,
          38, 117, 28, 17, 19, 25, 24, 15, 103, 31, 33, 77, 38, 8, 48, 32, 48,
          26, 63, 16, 70, 87, 31, 36, 31, 38, 91, 117, 16, 40, 7, 26, 15, 89,
          67, 7, 39, 33, 58)

gf <- goodfit(data, type = "nbinomial", method = "MinChisq") 
plot(gf)

当我说

plot

时，它会抱怨：

Error in xy.coords(x, y, xlabel, ylabel, log) : 
  'x' is a list, but does not have components 'x' and 'y'

我不确定发生了什么，因为如果我将

数据设置为以下内容：

data <- <- rnbinom(200, size = 1.5, prob = 0.8)

dataKS测试仅适用于连续变量，此外，您必须完全指定测试所针对的分布。如果您仍然想这样做，它将如下所示：

ks.test(data, pnbinom, size=100, prob=0.8)

它将
数据的经验累积分布函数与指定的函数进行比较（这是否合理可能取决于您的数据）。您必须根据理论考虑为
size
和
prob
选择参数，如果您根据数据估计这些参数，则测试无效

您的
goodfit（）
问题可能与您的数据有关，您确定这些是计数吗<代码>条形图（表（数据））
看起来并不是近似于负二项分布，例如，与
条形图（表（rnbinom（200，大小=1.5，概率=0.8））进行比较。

最后，我不确定拟合后进行零假设检验的方法是否合适。您可能希望研究超出/基于$\chi^2$的定量拟合度量，其中有许多（RMSEA、SRMR等）。
属于绘图（gf）工作（R 2.12.0，vcd版本1.2-9）。使用选项（warn=2，error=recover）将警告转换为错误，然后在warn/error上启动浏览器。在拟合过程中的某个时刻，R试图使NB‘prob’参数为负。。。F
ks.test(data, pnbinom, size=100, prob=0.8)