Yanıtlar:
1) Kolmogorov-Smirnov ile ilgili iki sorun var * -
a) Dağılımın tahmini parametre olmaksızın tamamen belirtildiğini varsayar. Parametreleri tahmin ederseniz, KS bir Lilliefors testi formu haline gelir (bu durumda Poisson-ness için) ve farklı kritik değerlere ihtiyacınız vardır
b) dağıtımın sürekli olduğunu varsayar
her ikisi de p değerlerinin hesaplanmasını etkiler ve her ikisi de reddetme olasılığını azaltır.
* (ve Cramer-von Mises ve Anderson Darling ve sürekli, tamamen belirtilmiş bir boş kabul eden diğer tüm testler)
Potansiyel olarak son derece muhafazakar bir testin (bilinmeyen boyutta) sakıncası yoksa, bunların her ikisi için öneminin hesaplanmasını ayarlamanız gerekir; simülasyon için çağrılabilir.
2) Öte yandan, bir vanilya ki-kare uyum iyiliği, Poisson olduğu gibi sipariş edilen bir şeyi test ederken korkunç bir fikirdir. Sıralamayı göz ardı ederek, daha ilginç alternatiflere karşı çok hassas değil - aşırı dağılım gibi doğrudan ilginç alternatiflere karşı gücü atıyor, bunun yerine gücünü 'tek sayılardan fazla sayıda' gibi şeylere harcıyor. Sonuç olarak, ilginç alternatiflere karşı gücü genellikle vanilya KS'den bile daha düşüktür, ancak çok daha düşük tip I hata oranının telafisi olmadan.
Bunun daha da kötü olduğunu düşünüyorum.
3) kavrama elinde , dikdörtgeni, dik polinomların kullanımı yoluyla sıralamaya saygı duyan bileşenlere ayırabilir ve daha az ilginç en üst düzey bileşenleri düşürebilirsiniz. Bu durumda Poisson pf'ye dik olan polinomları kullanırsınız
Bu, Rayner ve Best'in Düzgün Uyum İyiliği Testleri hakkındaki küçük 1989 kitabında alınan bir yaklaşımdır (R'de hayatınızı kolaylaştırabilecek pürüzsüz testlerde daha yeni bir tane var)
Alternatif olarak, bunun gibi makalelere bakın:
http://www.jstor.org/discover/10.2307/1403470
4) Ancak, neden yaptığınıza bağlı olarak, tüm işletmeyi yeniden düşünmek daha iyi olabilir ...
Bu gibi sorulardaki tartışma, uyum testlerinin çoğuna ve aslında çoğu zaman genel olarak varsayım testlerinin çoğuna uygulanır:
Normallik testi 'esasen işe yaramaz mı?
Artıkların normal olarak dağıldığını doğrulamak için hangi testleri kullanıyorum?
KS-Testi ve Anderson Darling gibi diğer testler sürekli dağılımlar için kullanılır. Kesikli dağıtımlar için, # gözlemlenen olayları, dağıtımınız için beklenen sayıya göre beklenen sayıyla karşılaştırmaya dayanan Ki-Kare uyum iyiliği testini kullanabilirsiniz. Parametre Poisson dağılımı için biliniyorsa, bunu açıkça kullanırsınız, parametreyi MLE kullanarak tahmin edersiniz ki bu da Chi-sq testinizdeki serbestlik derecelerini azaltır. Bir örnek burada; sadece kendi dağıtımınıza uyarlarsınız: http://www.stat.yale.edu/Courses/1997-98/101/chigf.htm