A-D检验正态性python

A-D（Anderson-Darling）检验是一种非参数统计方法，用于判断数据是否符合正态分布。在Python中，你可以使用`scipy.stats.ks_2samp()`函数来进行Kolmogorov-Smirnov检验，虽然这不是直接针对正态性的A-D检验，但它可以提供一个近似的P值来衡量数据与正态分布的相似程度。

另一种常用的方法是`scipy.stats.anderson()`，这个函数属于`scipy.stats`模块，它实现了Anderson-Darling检验，可以直接对连续数据进行正态性测试。这个函数会返回一个Anderson-Darling统计量和相应的p值，如果p值大于某个显著性水平（如0.05），通常认为数据符合正态分布。

以下是使用这两个函数的基本步骤：

from scipy.stats import anderson, ks_2samp

# 假设我们有两组数据，x和y
data_x = ...  # 你的样本数据
data_y = ...  # 另一组样本数据（如果有）

# 使用 Anderson-Darling 检验
ad_statistic, ad_crit_values, significance_level = anderson(data_x)
print(f"Anderson-Darling Statistic: {ad_statistic}")
print("Critical values for significance level:")
for level, critical_value in zip(significance_level, ad_crit_values):
    print(f"{level*100}%: {critical_value}")

# 使用 KS 检验 (近似正态性)
_, p_value_ks = ks_2samp(data_x, stats.norm.rvs(size=len(data_x)))  # 或者只用data_x
print(f"D-statistic (KS test): {p_value_ks:.4f}")