相同的考虑适用于此处讨论的 Kolmogorov-Smirnov 检验统计量的分布。Anderson-Darling 检验统计量（对于给定的样本量）具有以下分布：（1）在所有参数已知时不依赖于零假设分布，&（2）仅依赖于零假设的函数形式估计位置和尺度参数时的假设分布。我不知道专门针对具有估计速率参数的指数分布的 A-D 测试的 R 实现，但是您可以通过调整包中的函数来快速创建一个函数来计算测试统计量ad.test：nortest将分布函数从最佳拟合正态, pnorm((x - mean(x))/sd(x)), 到最佳拟合指数,pexp(x/mean(x)). 然后通过模拟获得任何所需显着性水平和样本量的临界值。

至于“最佳”检验，请注意不同的检验对不同类型的偏离零假设分布的情况更有效。如果您有一个非常具体的替代方案，例如形状参数大于 1 的 Weibull 分布，则似然比检验将比通用拟合优度检验更强大。对于更模糊地指定的替代方案，按照 Stephens (1974)，“EDF 拟合优度统计和一些比较”，JASA，69，347的方法，比较各种测试与流氓画廊的能力可能会有所帮助。