柯尔莫哥洛夫-斯米尔诺夫检验

柯尔莫哥洛夫-斯米尔诺夫检验 (Kolmogorov-Smirnov Test)

柯尔莫哥洛夫-斯米尔诺夫检验 (Kolmogorov-Smirnov Test)，简称 K-S检验，是一种重要的\%非参数统计\%方法，用于\%假设检验\%。该方法由苏联数学家安德雷·柯尔莫哥洛夫（Andrey Kolmogorov）于 1933 年提出单样本版本，后由尼古拉·斯米尔诺夫（Nikolai Smirnov）于 1939 年推广至双样本情形。其核心思想是比较样本\%经验分布函数\%（Empirical Distribution Function, EDF）与理论分布，或比较两个独立样本的分布是否存在显著差异。K-S检验的优点在于不依赖数据分组，充分利用每个观测点的精确信息，且检验统计量的零分布可由精确公式给出。

核心概念：经验分布函数（EDF）

对于容量为 $n$ 的随机样本 $X_1, X_2, \ldots, X_n$，其经验分布函数定义为 $F_n(x) = \frac{1}{n}\sum_{i=1}^n I(X_i \le x)$，其中 $I(\cdot)$ 是\%指示函数\%。$F_n(x)$ 是一个右连续的阶梯函数，每越过一个样本观测值，函数值跳跃 $1/n$。根据\%格里文科定理\%（Glivenko–Cantelli Theorem），当 $n \to \infty$ 时，$F_n(x)$ 以概率 1 一致收敛于真实\%累积分布函数\% $F(x)$，这为 K-S 检验提供了坚实的理论基础。

单样本 K-S 检验

单样本 K-S 检验用于判断样本是否来自具有已知 CDF $F(x)$ 的连续分布。

• \%原假设\% ($H_0$)：$F_n(x) = F(x)$ 对所有 $x$ 成立，即样本来自该理论分布。
• \%备择假设\% ($H_a$)：存在某个 $x$ 使得 $F_n(x) \neq F(x)$，即样本并非来自该分布。
• 检验统计量：$D_n = \sup_x |F_n(x) - F(x)|$，即 EDF 与理论 CDF 之间的最大绝对垂直距离。将样本观测值按升序排列为 $x_{(1)} \le x_{(2)} \le \cdots \le x_{(n)}$ 后，$D_n$ 的计算公式可以表示为：

• 临界值与决策：给定\%显著性水平\% $\alpha$，若 $D_n$ 超过临界值 $D_{n,\alpha}$，或\%p-value\%小于 $\alpha$，则拒绝 $H_0$。当样本量足够大时，$D_n$ 的渐近分布由柯尔莫哥洛夫分布给出：$\lim_{n\to\infty} P(\sqrt{n}D_n \le t) = K(t) = 1 - 2\sum_{k=1}^\infty (-1)^{k-1}e^{-2k^2 t^2}$。

> 重要前提：理论分布的所有参数必须预先指定，不能从样本数据中估计。若参数从数据中估计（例如使用样本\%均值\% $\bar{X}$ 和样本\%标准差\% $s$ 来构造正态分布），则应使用\%Lilliefors检验\%的修正临界值，否则检验过于保守，\%统计功效\%将显著下降。

双样本 K-S 检验

双样本 K-S 检验用于判断两个独立样本是否来自同一（未知）连续分布，是单样本检验的自然推广。

• 原假设 ($H_0$)：$F_1(x) = F_2(x)$ 对所有 $x$ 成立，即两样本来自相同分布。
• 备择假设 ($H_a$)：存在某个 $x$ 使得 $F_1(x) \neq F_2(x)$，即两样本来自不同分布。
• 检验统计量：$D_{n_1,n_2} = \sup_x |F_{n_1}(x) - F_{n_2}(x)|$，即两个经验分布函数之间的最大绝对垂直距离。
• 决策：若 $D_{n_1,n_2}$ 超过临界值（该临界值取决于两样本容量 $n_1, n_2$ 以及显著性水平 $\alpha$），则拒绝 $H_0$。双样本检验对两样本的位置偏移（均值差异）、尺度变化（方差差异）以及分布形状差异均敏感。

优缺点分析

优点：①完全分布自由（distribution-free），不依赖总体分布的特定假设，适用面广；②对分布的位置、尺度、形状差异均敏感，其检验功效优于仅关注均值的\%t检验\%或仅关注方差的\%F检验\%；③检验统计量的零分布可由精确公式计算，属于精确检验而非渐近近似；④检验是\%一致的检验\%（consistent test），当样本量增大时，检验功效趋近于 1，但凡存在差异必然能被检测到；⑤不需要对数据进行分组或分箱，保留了每个观测点的全部信息。

缺点：①理论上要求被检验的分布是连续的，应用于离散数据时结果偏于保守；②对分布尾部区域的差异不敏感——用于检验尾部行为时，推荐使用\%Anderson-Darling检验\%以获得更高的功效；③拒绝原假设仅能表明存在差异，但无法提供差异的具体形式或来源；④单样本检验中参数必须已知的限制在实际应用中较难满足，需借助 Lilliefors 修正或\%自助法\%（Bootstrap）获取有效临界值。

与其他检验方法的比较

• 与\%卡方拟合优度检验\%比较：卡方检验要求将数据人为分组（分箱），分组方式的选择会影响检验结果。K-S检验不需要分组，利用每个数据点的精确位置，在小样本情形下统计功效更高。但卡方检验可用于离散分布，而标准 K-S 检验主要适用于连续分布。
• 与\%Shapiro-Wilk检验\%比较：S-W检验是专门用于检验\%正态性\%的最优方法，在此特定任务上统计功效高于 K-S 检验（包括 Lilliefors 修正版本）。但 K-S 检验的通用性更强，可检验样本是否来自任意指定的连续分布（如指数分布、均匀分布、威布尔分布等），而 S-W 检验仅限于正态性检验。
• 与\%Cramér–von Mises检验\%比较：Cramér–von Mises 检验同样基于 EDF，但使用平方积分距离而非最大垂直距离，对整体分布的差异更敏感。K-S 检验对局部偏离更灵敏，两者各有侧重。

实际应用

K-S 检验在实际应用中具有广泛价值：①金融领域用于检验资产收益率是否服从正态分布或\%稳定分布\%（stable distribution），这对风险模型中的价值-at-风险（VaR）计算和期权定价模型选择至关重要；②气象学与水文科学中用于检验降水量、洪水频率等极端事件的分布拟合，是极值分析的基础工具；③生物统计学中比较不同处理组间的分布差异，例如比较药物试验中实验组与对照组的响应变量分布；④机器学习与数据科学中用于检测训练集与测试集的分布漂移（data drift / distribution shift），这是模型持续监控与维护的重要环节；⑤物理与工程科学中检验实验测量数据是否符合理论预测的特定分布，如检验随机误差是否服从正态分布。

历史背景

柯尔莫哥洛夫于 1933 年发表论文《关于用经验分布函数确定概率》（Sulla determinazione empirica di una legge di distribuzione），首次提出了单样本 K-S 检验的统计量及其渐近分布。斯米尔诺夫随后在 1939 年将其推广至双样本情形，用以比较两个独立样本是否来自同一分布。该检验方法在非参数统计的发展史上具有里程碑意义，是早期为数不多的能够提供精确分布结果的非参数检验之一。此后，Lilliefors（1967）提出了针对参数未知情形的修正版本，进一步拓展了 K-S 检验在实际中的应用范围。

软件实现

主流统计软件均内置 K-S 检验函数：R 语言中使用 \texttt{ks.test()} 函数；Python 中 \texttt{scipy.stats} 模块提供 \texttt{ks\_1samp()} 和 \texttt{ks\_2samp()}；MATLAB 的 \texttt{kstest} 和 \texttt{kstest2} 实现单双样本检验；Stata 的 \texttt{ksmirnov} 命令同样支持。使用时需注意参数指定方式及小样本下的精确临界值表。

在实现细节上，多数软件默认基于渐近分布计算 p-value，当样本量较小时建议查阅精确临界值表或使用\%蒙特卡洛方法\%模拟获得更准确的结论。同时，对于包含\%结\%（ties）的数据，K-S 检验的标准公式需要调整，部分软件实现提供了相应的修正选项。