您的问题没有单一的答案，但您可以将这六个分布近似为不同程度的准确度。您应该做的第一件事是使用直方图（R 中的 hist()）或核密度估计（density()）绘制它们。它应该让您了解哪些参数族（指数、正态、对数正态......）可能为您提供合理的拟合。如果有，您可以继续估计参数。

我个人认为这是一个糟糕的主意。如果您知道您的数据来自某个分布，您可能会说一些有意义的事情。您可能有 0/1 响应，因此分布是二项式的，可能以其他一些协变量为条件——这是一个逻辑回归。您可能有计数，因此分布是泊松，可能以其他一些协变量为条件——即泊松或零膨胀泊松或负二项式回归。然而，通常只是偷看数据并试图确定分布很少会产生好的结果。

告诉我们您的最终分析目标可能有助于建议一些更好的路线。您想模拟来自类似分布的新数据吗？您想为某些分布提供易于计算的分析摘要吗？（我见过人们对收入数据拟合对数正态曲线，以报告基尼系数。）你想将你的结果与其他人的结果进行比较吗？

此外，请记住，小样本（比如 100 以下）将与许多可能的分布兼容。仅具有正值的分布可以用伽马、对数正态、贝塔或皮尔逊家族表示，仅根据数据根本无法区分它们。另一方面，大样本（比如超过 10000 个）不会与任何东西兼容，因为现实生活比我们对它的假设要丰富。