辛苦了，但我要R语言的

好的，这里提供一个R语言的多元Kolmogorov-Smirnov检验的代码实现，需要安装mvtnorm库：

library(mvtnorm)

multivariate_ks_test <- function(data, cdf, alpha=0.05, method='bonferroni') {
  # 多元Kolmogorov-Smirnov检验
  # data: 多维数组，每行代表一个样本，每列代表一个维度
  # cdf: 多维正态分布的累积分布函数，可以使用pmvnorm来定义
  # alpha: 显著性水平，默认为0.05
  # method: 多重比较校正方法，默认为Bonferroni校正
  
  n <- nrow(data)
  m <- ncol(data)
  p <- apply(data, 1, cdf)
  
  result <- multivariate_ks_test_statistic(p, n, m)
  d <- result$d
  pval <- result$pval
  pval_corr <- p.adjust(pval, method=method)
  reject <- pval_corr < alpha
  
  return(list(d=d, pval=pval, pval_corr=pval_corr, reject=reject))
}

multivariate_ks_test_statistic <- function(p, n, m) {
  # 计算多元Kolmogorov-Smirnov统计量
  # p: 样本累积分布函数
  # n: 样本数量
  # m: 样本维度
  
  d <- 0
  for (i in 1:m) {
    p_i <- sort(p[, i])
    f_i <- (1:n) / n
    d_i <- max(abs(p_i - f_i))
    if (d_i > d) {
      d <- d_i
    }
  }
  c_alpha <- sqrt(-0.5 * log(0.5 * alpha))
  d_alpha <- c_alpha * sqrt(m / n)
  pval <- exp(-2 * d^2 * n)
  return(list(d=d, pval=pval))
}

使用方法示例：

# 生成多维正态分布样本
library(mvtnorm)
set.seed(123)
mean <- c(0, 0)
cov <- matrix(c(1, 0.5, 0.5, 1), nrow=2)
data <- rmvnorm(100, mean=mean, sigma=cov)

# 构建多维正态分布的累积分布函数
cdf <- function(x) pmvnorm(lower=-Inf, upper=x, mean=mean, sigma=cov)$integral

# 进行多元Kolmogorov-Smirnov检验
result <- multivariate_ks_test(data, cdf)

# 输出结果
cat('统计量d =', result$d, '\n')
cat('原始p值 =', result$pval, '\n')
cat('校正p值 =', result$pval_corr, '\n')
cat('是否拒绝原假设 =', result$reject, '\n')

注意：这里的样本数据是二维的，如果需要使用多维数据，请将样本数据的维度扩展即可。