KNOWECON WIKI

ARTICLE

科尔莫戈罗夫-斯米尔诺夫检验

科尔莫戈罗夫-斯米尔诺夫检验 (Kolmogorov-Smirnov Test) 科尔莫戈罗夫-斯米尔诺夫检验（简称KS检验）是非参数统计中最为经典的拟合优度检验方法之一。其核心思想简洁而深刻：通过比较经验分布函数（Empirical CDF, ECDF）与理论累积分布函数（CDF）之间的最大垂直距离，判断单样本是否来自某一特定分布（单样本KS检验），或两独

浏览 0 更新 2026-01-14

科尔莫戈罗夫-斯米尔诺夫检验 (Kolmogorov-Smirnov Test)

科尔莫戈罗夫-斯米尔诺夫检验（简称KS检验）是非参数统计中最为经典的拟合优度检验方法之一。其核心思想简洁而深刻：通过比较经验分布函数（Empirical CDF, ECDF）与理论累积分布函数（CDF）之间的最大垂直距离，判断单样本是否来自某一特定分布（单样本KS检验），或两独立样本是否来自同一未知分布（双样本KS检验）。该理论由苏联数学家Andrey Kolmogorov于1933年首次建立单样本版本，后由Nikolai Smirnov于1939年推广至双样本情形，故得此名。

KS检验最突出的数学性质在于其分布自由性（Distribution-Free Property）：在原假设成立的条件下，检验统计量 DnD_n 的精确分布完全不依赖于待检验的理论分布 F0F_0 的具体函数形式，仅要求 F0F_0 为连续分布。这意味着无论检验正态分布、均匀分布还是指数分布，所使用的临界值表完全通用——这一美学性质在统计检验中极为罕见。此外，KS检验无需对数据进行任何分箱操作（与卡方拟合优度检验形成鲜明对比），避免了分箱策略带来的信息损失和主观偏差，尤其适用于小到中等样本量的连续数据场景。

统计量的构造与数学原理

经验分布函数是KS检验的基石。给定独立同分布样本 X1,X2,…,XnX_1, X_2, \ldots, X_n，ECDF定义为：

Fn(x)=1n∑i=1n1{Xi≤x}F_n(x) = \frac{1}{n}\sum_{i=1}^{n} \mathbf{1}_{\{X_i \le x\}}

其中 1{⋅}\mathbf{1}_{\{\cdot\}} 为示性函数——当 Xi≤xX_i \le x 时取1，否则取0。由格利文科-坎泰利定理（Glivenko-Cantelli Theorem），当 n→∞n\to\infty 时 Fn(x)F_n(x) 以概率1在整个实数轴上一致收敛于真实CDF F(x)F(x)，这为基于ECDF的统计推断提供了坚实的渐近理论基础。

单样本KS统计量定义为ECDF与理论CDF之间的最大绝对垂直距离：

Dn=sup⁡x∈R∣Fn(x)−F0(x)∣D_n = \sup_{x\in\mathbb{R}} |F_n(x) - F_0(x)|

实际操作中只需在 nn 个样本点处计算差值后取最大值——因为阶梯函数 FnF_n 与连续函数 F0F_0 的最大偏差必然出现在这些候选点上，计算复杂度为 O(n)O(n)。双样本KS统计量将这一思想自然推广：

Dn,m=sup⁡x∈R∣Fn(x)−Gm(x)∣D_{n,m} = \sup_{x\in\mathbb{R}} |F_n(x) - G_m(x)|

其中 FnF_n 和 GmG_m 分别为两组独立样本各自的ECDF。

分布自由性质的数学证明依赖于概率积分变换：在零假设下，若 F0F_0 连续，则 Yi=F0(Xi)∼iidU(0,1)Y_i = F_0(X_i) \stackrel{iid}{\sim} U(0,1)，而 DnD_n 可完全由这些均匀随机变量表达，因此其零分布不依赖于 F0F_0 的任何参数。渐近地，当 n→∞n\to\infty 时：

P(nDn≤t)⟶1−2∑k=1∞(−1)k−1e−2k2t2=:K(t)P(\sqrt{n}D_n \le t) \longrightarrow 1 - 2\sum_{k=1}^{\infty}(-1)^{k-1}e^{-2k^2 t^2} =: K(t)

此即著名的Kolmogorov分布。大样本下常用近似公式：显著性水平 α\alpha 对应的临界值 cα≈−12ln⁡(α/2)/nc_\alpha \approx \sqrt{-\frac{1}{2}\ln(\alpha/2)} / \sqrt{n}。双样本情形使用修正统计量 nmn+mDn,m\sqrt{\frac{nm}{n+m}}D_{n,m}，收敛于同一Kolmogorov分布。

与其他检验方法的比较

KS检验与卡方拟合优度检验构成连续分布假设检验的两大经典范式，各有适用场景。卡方检验需将数据分入互斥区间后比较观测频数与期望频数，分箱边界和数量的选择直接影响检验结果，且当期望频数过小时需合并分箱，带来主观性和信息损耗。然而卡方检验可同时适用于连续和离散数据，而标准KS检验仅在连续分布假设下才具有精确的分布自由性质。

Anderson-Darling检验通过在检验统计量中引入尾部权重 [F(x)(1−F(x))]−1[F(x)(1-F(x))]^{-1}，赋予分布尾部更大的权重，有效弥补了KS检验对尾部差异不敏感的弱点，在金融风险管理中尤为常用。Cram\'er-von Mises检验则采用平方距离 ∫(Fn−F0)2dF0\int (F_n-F_0)^2 dF_0 衡量整体偏差，避免KS仅关注单点最大偏差的局限。实践中三种ECDF类检验常配合使用，以避免单一视角的盲区。

经济学与金融应用

金融收益率分布检验是KS检验在计量经济学中的标志性应用。有效市场假说和Black-Scholes模型均假设资产收益率服从正态分布，然而实际金融收益率普遍呈现尖峰厚尾等非正态特征。KS检验可直接拒绝正态性零假设，为引入GARCH类模型或厚尾替代分布提供实证依据。

收入与财富分布比较是KS检验在收入分配研究中的典型场景。双样本KS检验可比较不同地区或不同年份的收入分布整体差异——相比仅比较基尼系数或均值等单一统计量，KS检验能同时捕捉位置偏移、尺度变化和分布形状的整体变迁，提供更全面的分布差异图景。

倾向得分匹配诊断：在因果推断中，KS检验常用于倾向得分匹配后的协变量平衡性检验——对每个协变量在处理组与控制组间进行双样本KS检验，若p值超过阈值则表明匹配成功消除了该协变量的系统性差异，满足条件独立假设所需的平衡性要求。

机器学习协变量漂移检测：在生产级ML系统中，训练数据和线上推理数据的特征分布需保持一致。双样本KS检验可逐特征检测分布漂移，若某特征的KS p值低于预设阈值，则触发模型重训练或领域自适应策略。此应用在推荐系统、金融风控和在线广告系统中尤为普遍。

局限性与重要扩展

KS检验的主要局限包括：①尾部敏感度较低——ECDF在中部收敛快而尾部收敛慢，最大偏差通常出现在分布中部，导致对厚尾差异的检验功效偏低；②要求 F0F_0 为连续分布——应用于离散数据时检验趋于保守，需采用置换检验或专门的离散修正；③大样本过度敏感——样本量极大时任何微小误设都会被检出，必须结合效应量判断实际重要性；④多元推广困难——多维ECDF的最大偏差定义不唯一，实践中常使用能量距离检验或最大均值差异处理多元分布比较。

重要扩展包括单侧KS检验（用于随机占优分析）和Kuiper检验（适用于循环数据如角度或季节性时间序列）。计算实现上，排序后线性扫描的时间复杂度为 O(nlog⁡n)O(n\log n)，主流统计软件如R（\texttt{ks.test}）、Python（\texttt{scipy.stats.kstest}）和Stata（\texttt{ksmirnov}）均内置实现。