python卡方拟合优度检验_如何理解拟合优度检验 ？

在数据分析中，对于定类变量和低测度的定序变量，通常不能使用均值、T检验和方差分析等方法来处理。对于不符合正态分布的定类数据或低测度定序数据，其检验方法是利用交叉表技术分行分列计算交叉点的频数，利用卡方距离实施卡方检验，基于频数和数据分布形态分析不同类别的数据是否存在显著性差异，对于定类数据的对比检验，也叫独立性检验。

低测度数据

对于定类变量，其数值大小和顺序并不代表什么意义，对于定类变量和低测度的定序变量，均值和方差都不能描述变量特征，故不能通过分析其平均值、方差等参数开展数据分析。在做统计分析时，对于这类变量通常需要借助中位数、频数、百分比以及不同分布情况，实现数据描述。对于低测度数据，比较典型的研究是关于结构成分的研究，实际上是一种借助频数来分析数据分布形态，并进而发现数据分布差异性的检验。

拟合及拟合优度

由于低测度数据的特点，直接进行基于均值的检验显然是不行的，于是人们借助数学模型，提出了拟合的概念。所谓拟合，就是分析现有观测变量的分布形态，检查其分布能够与某一期望分布(或标准分布)很好地吻合起来。在数学上，拟合的过程就是寻找能很好地温和当前数据序列的数学模型的过程。为了评价拟合的程度，人们提出了判定拟合有效性的机制，这就是拟合优度。拟合优度也借助检验概率的概念来评价数据拟合的质量。

目前，对于低测度数据序列的处理最常见的分析方法是卡方检验。特别是基于交叉表的卡方检验在数据分析中具有重要的地位，它们都建立在拟合概念的基础上。另外，二项分布、游程检验等单样本检验也可以看做是数据拟合的重要应用。与此同时，对定距或定序变量的分布形态判定，也是数据拟合的应用之一，在分布形态判定过程中所获得的检验