KNOWECON WIKI

ARTICLE

安德森-达令检验

安德森-达令检验 (Anderson-Darling Test) 安德森-达令检验 (Anderson-Darling Test，简称A-D检验) 是一种用于假设检验的非参数统计方法。它专门用于判断一个随机样本是否来自某个特定的连续分布（例如正态分布、指数分布或威布尔分布等），属于拟合优度检验 (Goodness-of-Fit Test) 的一种。 该检验由

浏览 0 更新 2025-10-26

安德森-达令检验 (Anderson-Darling Test)

安德森-达令检验 (Anderson-Darling Test，简称A-D检验) 是一种用于假设检验的非参数统计方法。它专门用于判断一个随机样本是否来自某个特定的连续分布（例如正态分布、指数分布或威布尔分布等），属于拟合优度检验 (Goodness-of-Fit Test) 的一种。

该检验由美国统计学家西奥多·安德森 (Theodore W. Anderson) 和唐纳德·达令 (Donald A. Darling) 于1952年提出。与经典的柯尔莫哥洛夫-斯米尔诺夫检验 (K-S检验) 相比，安德森-达令检验的一大优势在于它对分布尾部的差异更为敏感，因为其对经验分布函数与理论分布函数之间的偏差施以加权处理，赋予尾部数据更大的权重。这使得它在检测偏离正态性的"厚尾"或"偏斜"特征时尤其有力。

核心思想：加权平方距离

安德森-达令检验的核心思想建立在经验分布函数 (Empirical Distribution Function, EDF) 的基础之上。设有一个容量为 nn 的独立同分布样本 X1,X2,…,XnX_1, X_2, \ldots, X_n，其经验分布函数记为 Fn(x)F_n(x)，待检验的理论分布的累积分布函数记为 F(x)F(x)。

检验统计量衡量的是 Fn(x)F_n(x) 与 F(x)F(x) 之间的"距离"。与K-S检验使用最大绝对偏差不同，安德森-达令检验使用的是两者的加权平方偏差积分：

A2=n∫−∞∞[Fn(x)−F(x)]2F(x)(1−F(x)) dF(x)A^2 = n \int_{-\infty}^{\infty} \frac{[F_n(x) - F(x)]^2}{F(x)(1 - F(x))} \, dF(x)

分母中的权重函数 1/[F(x)(1−F(x))]1/[F(x)(1 - F(x))] 在分布的两端（即 F(x)F(x) 接近0或1时）取较大值，这意味着偏离理论分布的点在尾部受到的惩罚更重，从而使检验对尾部差异更加敏感。

统计量的计算

在实际应用中，对于完全指定的分布（即理论分布 F(x)F(x) 的所有参数均已知），安德森-达令检验统计量的计算采用以下公式。将样本从小到大排序为 x(1)≤x(2)≤…≤x(n)x_{(1)} \le x_{(2)} \le \ldots \le x_{(n)}，并令 z(i)=F(x(i))z_{(i)} = F(x_{(i)})，则：

A2=−n−1n∑i=1n(2i−1)[ln⁡(z(i))+ln⁡(1−z(n−i+1))]A^2 = -n - \frac{1}{n} \sum_{i=1}^{n} (2i - 1) \big[ \ln(z_{(i)}) + \ln(1 - z_{(n-i+1)}) \big]

其中 ln⁡\ln 为自然对数。该公式易于编程实现，是绝大多数统计软件包计算的基础。

在许多实际场景中，分布的参数并非事先已知，而需要从样本数据中估计（例如在检验正态性时，使用样本均值 xˉ\bar{x} 和样本标准差 ss 估计 μ\mu 和 σ\sigma）。此时需要使用经过修正的统计量，即所谓"复合假设" (Composite Hypothesis) 情形。对于正态分布，修正形式为：

A∗=A2(1+0.75n+2.25n2)A^* = A^2 \left(1 + \frac{0.75}{n} + \frac{2.25}{n^2}\right)

这种修正使得临界值表可以适用于参数未知的情况，显著拓展了检验的实用性。

假设检验过程

  1. 建立假设：原假设 H0H_0 为样本数据来自指定的分布；备择假设 HaH_a 为样本数据并非来自该分布。
  2. 选择显著性水平：通常取 α=0.05\alpha = 0.05 或 0.010.01。
  3. 计算检验统计量：根据上述公式计算出 A2A^2 或修正后的 A∗A^* 值。
  4. 查临界值或计算p值：将计算值与临界值表进行比较，或计算p值 (p-value)。临界值依赖于所检验的特定分布以及是否从数据中估算了参数。
  5. 做出决策：若 A2A^2 大于临界值（或 p值小于 α\alpha），则拒绝原假设，认为样本并非来自该理论分布。

安德森-达令检验与K-S检验的比较

柯尔莫哥洛夫-斯米尔诺夫检验 (K-S检验) 和安德森-达令检验均为基于经验分布函数的拟合优度检验，但二者存在关键差异：

  • 敏感性差异：K-S检验对分布中心区域的差异相对敏感，而安德森-达令检验对分布尾部的差异更为敏感。若关注的是极端事件或异常值（如金融风险评估中的尾部事件），安德森-达令检验更为合适。
  • 临界值依赖分布：K-S检验的临界值与所检验的具体分布无关（对连续分布而言），而安德森-达令检验的临界值依赖于所检验的分布类型，使用时需要查对应的临界值表。
  • 功效比较：大量仿真研究表明，在大多数常见的偏离正态假设的情景下，安德森-达令检验的统计功效 (Statistical Power) 高于K-S检验，尤其是对厚尾分布和偏斜分布。对于检验正态性这一特定任务，Shapiro-Wilk检验 通常具有更高的功效，但安德森-达令检验的适用范围更广（可用于检验任意指定的连续分布）。

多样本安德森-达令检验

除单样本情形外，还存在多样本安德森-达令检验 (k-Sample Anderson-Darling Test)，用于检验两个或多个独立样本是否来自同一总体分布（无需指定该分布的具体形式）。该检验由Scholz和Stephens于1987年提出，是对单样本方法的自然推广。

设有 kk 个样本，样本量分别为 n1,n2,…,nkn_1, n_2, \ldots, n_k，总样本量为 N=∑j=1knjN = \sum_{j=1}^k n_j。将全部数据合并排序后，多样本检验统计量为：

Ak2=1N∑j=1k1nj∑i=1N−1(NMij−inj)2i(N−i)A^2_{k} = \frac{1}{N} \sum_{j=1}^{k} \frac{1}{n_j} \sum_{i=1}^{N-1} \frac{(NM_{ij} - i n_j)^2}{i(N-i)}

其中 MijM_{ij} 为第 jj 个样本中不超过合并排序后第 ii 个观测值的个数。该检验的临界值通过大样本近似或数值方法获得。

应用领域

安德森-达令检验在自然科学和社会科学的多个领域得到广泛应用：

  • 金融风险管理：检验资产收益率是否服从正态分布——大量实证表明金融收益率存在"厚尾"特征，使用安德森-达令检验可更灵敏地检测到对正态性的偏离，为在险价值 (VaR) 等风险度量建模提供依据。
  • 工程质量控制：检验生产过程中关键质量特性是否符合特定分布，以判断制程是否处于受控状态。
  • 环境科学：检验水文气象数据（如降雨量、河流流量）的分布假设，为极端事件概率分析奠定基础。
  • 气象学：验证气候模型输出是否与实际观测数据的分布一致，用于模型校准与评估。

局限性

安德森-达令检验也存在若干局限：其一，临界值依赖于所检验的分布，不同分布需使用不同的临界值表，增加了使用的复杂性；其二，当样本量较大时（如 n>1000n > 1000），即使极微小的偏离也能导致拒绝原假设，此时需结合效应量 (Effect Size) 进行综合判断；其三，该检验本质上是针对连续分布设计的，直接应用于离散数据可能导致检验结果偏保守。

尽管存在上述局限，安德森-达令检验因其良好的功效和对尾部差异的敏感性，至今仍是拟合优度检验领域应用最广泛的方法之一，在众多统计软件包（如R语言、Python的SciPy、Minitab等）中均有标准实现。