这个问题似乎与之前关于测试两个样本是否具有相同偏斜的问题属于同一家族，因此您可能想阅读我对此的回答。我相信L 矩在这里也会因为同样的原因有用（在这种情况下特别是L偏度峰度）。

卡方检验（拟合优度检验）非常适合比较两个分布的尾部，因为它的结构是通过值桶比较两个分布（用直方图图形表示）。而且，尾部将包含在最远的桶中。

尽管这个测试关注的是整个分布，而不仅仅是尾巴，您可以很容易地观察到有多少卡方值或散度是由尾巴的肥胖差异得出的。

注意派生的直方图实际上可能比任何测试相关的统计显着性为您提供更多关于尾巴各自肥胖程度的视觉信息。说尾巴脂肪在统计学上是不同的是一回事。肉眼观察是另一回事。他们说，一张图片胜过千言万语。有时它也值一千个数字（考虑到图表封装了所有数字，这是有道理的）。

构造一个阈值，说 lambda，我们可以基于落在该尾部区域的两个观察数据集来测试两个均值的相等性或限制在尾部区域（λ，无穷大）上的两个分布的方差。当然，两个样本的 t 检验或 F 检验可能是可以的，但不是强有力的，因为限制在这个尾部区域的随机变量即使是原始的也是不正常的。

如何在第三和第四个参数上拟合广义 lambda 分布和引导置信区间？