มันมีความหมายและเป็นไปได้หรือไม่ที่จะทำการทดสอบ KS แบบทางเดียว?
อย่างแน่นอน.
การทดสอบ KS โดยเนื้อแท้เป็นการทดสอบแบบสองด้าน
ไม่ใช่เลย.
สมมติฐานว่างของการทดสอบดังกล่าวจะเป็นอย่างไร
คุณไม่ชัดเจนว่าคุณกำลังพูดถึงการทดสอบตัวอย่างหนึ่งหรือสองตัวอย่าง คำตอบของฉันที่นี่ครอบคลุมทั้ง - ถ้าคุณคิดว่าเป็นคิดเป็น CDF ของประชากรจากการที่Xตัวอย่างถูกดึงออกมาก็สองตัวอย่างในขณะที่คุณจะได้รับกรณีตัวอย่างหนึ่งโดยเกี่ยวกับF Xเป็นบางส่วนกระจายสมมติฐาน ( F 0 , หากคุณต้องการ)FXXFXF0
ในบางกรณีคุณสามารถเขียนโมฆะเป็นความเท่าเทียมกัน (เช่นถ้ามันไม่ได้เป็นไปได้ที่จะไปทางอื่น) แต่ถ้าคุณต้องการเขียนโมฆะทิศทางสำหรับทางเลือกหนึ่งทางเลือกคุณสามารถเขียนสิ่งนี้ :
H0:FY(t)≥FX(t)
H1:FY(t)<FX(t)อย่างน้อยหนึ่งt
(หรือสนทนากับหางอื่น ๆ ตามธรรมชาติ)
ถ้าเราเพิ่มสมมติฐานเมื่อเราใช้ทดสอบว่าพวกเขากำลังทั้งสองเท่ากันหรือว่าจะมีขนาดเล็กแล้วปฏิเสธ null นัย (ลำดับแรก) การสั่งซื้อสุ่ม / สั่งซื้อครั้งแรกครอบงำสุ่ม ในตัวอย่างที่มีขนาดใหญ่พอจะเป็นไปได้ที่ F จะข้าม - แม้แต่หลาย ๆ ครั้งและยังคงปฏิเสธการทดสอบด้านเดียวดังนั้นจึงจำเป็นต้องมีการสันนิษฐานสำหรับการสุ่มแบบสุ่มFY
คับถ้ากับความไม่เท่าเทียมกันที่เข้มงวดสำหรับอย่างน้อยบางส่วนทีแล้วY 'มีแนวโน้มที่จะมีขนาดใหญ่กว่าXFY( t ) ≤ FX(t)tYX
การเพิ่มสมมติฐานเช่นนี้ไม่แปลก มันเป็นมาตรฐาน มันไม่ได้แตกต่างจากสมมติว่า (พูดใน ANOVA) ว่าความแตกต่างของค่าเฉลี่ยนั้นเกิดจากการเปลี่ยนแปลงของการแจกแจงทั้งหมด (แทนที่จะเป็นการเปลี่ยนแปลงความเบ้ที่การกระจายบางส่วนเลื่อนลงและเลื่อนขึ้นบ้าง แต่ใน วิธีที่ค่าเฉลี่ยเปลี่ยนไป)
ตัวอย่างเช่นลองพิจารณาการเปลี่ยนค่าเฉลี่ยสำหรับปกติ:
ความจริงที่ว่ากระจายสินค้าสำหรับจะเลื่อนขวาตามจำนวนเงินที่จากการที่Xหมายความว่าF Yต่ำกว่าF X การทดสอบ Kolmogorov-Smirnov ด้านเดียวมีแนวโน้มที่จะปฏิเสธในสถานการณ์นี้YXFYFX
ในทำนองเดียวกันให้พิจารณาปรับสเกลในแกมม่า:
อีกครั้งการเปลี่ยนไปสู่ระดับที่ใหญ่ขึ้นจะทำให้ระดับ F ลดลงอีกครั้งการทดสอบ Kolmogorov-Smirnov ด้านเดียวจะมีแนวโน้มที่จะปฏิเสธในสถานการณ์นี้
มีหลายสถานการณ์ที่การทดสอบดังกล่าวอาจมีประโยชน์
D+D−
D+F0D−F0D+D-
D+D-
H0: FY( t ) ≥ F0( t )
H1: FY( t ) < F0( t )อย่างน้อยหนึ่งเสื้อ
YFF0D-FY( t ) < F0( t )D-
D+D-
มันไม่ใช่เรื่องง่าย มีหลากหลายวิธีที่ใช้
ถ้าฉันจำได้อย่างถูกต้องหนึ่งในวิธีการกระจายที่ได้รับผ่านการใช้กระบวนการบราวเนียนบริดจ์ ( เอกสารนี้ดูเหมือนจะสนับสนุนความทรงจำนั้น )
ฉันเชื่อว่าบทความนี้และบทความโดย Marsaglia และคณะ ที่นี่ทั้งสองครอบคลุมพื้นหลังบางส่วนและให้อัลกอริธึมการคำนวณด้วยการอ้างอิงจำนวนมาก
ระหว่างนั้นคุณจะได้รับประวัติจำนวนมากและวิธีการต่าง ๆ ที่ถูกนำมาใช้ หากพวกเขาไม่ครอบคลุมสิ่งที่คุณต้องการคุณอาจต้องถามคำถามนี้เป็นคำถามใหม่
DnD+D-
นั่นไม่น่าประหลาดใจโดยเฉพาะ ถ้าฉันจำได้ถูกต้องแม้การกระจายเชิงซีโมติกจะได้รับเป็นชุด (ความทรงจำนี้จะผิด) และในกลุ่มตัวอย่าง จำกัด มันไม่ต่อเนื่องและไม่ได้อยู่ในรูปแบบง่าย ๆ ไม่ว่าในกรณีใดและไม่มีวิธีที่สะดวกในการนำเสนอข้อมูลยกเว้นเป็นกราฟหรือตาราง