一些一般的想法：

1. 真实世界的数据很少会完全遵循特定的分布。这并不能阻止我们使用特定的分布作为模型来回答问题。模型不必完美，但足以达到目的。
2. 对于如此庞大的样本量，即使与 Skellam 分布的微小偏差也会导致非常小的p值。这只是测试一致性的结果。检测越来越小的偏差的能力随着样本量的增加而增加（另见此处）。在第二种情况下，p值为意味着有很多证据反对零假设，即数据来自斯凯拉姆分布。具体来说，有位信息与测试假设相反（这称为值）。$2\times 10^{-13}$$-\log_{2}(2\times 10^{-13})\approx 42.19$$S$
3. 未能拒绝原假设并不意味着它是正确的。这意味着没有足够的证据来拒绝您的数据以足够高的置信度与 Skellam 分布兼容的概念。除了 Skellam 分布之外，可能有无数个分布与您的数据兼容。
4. 直方图对于检查数据和指定分布之间的一致性是次优的。我建议改用 QQ-plots（更多信息在这里）。另一个非常有用的可视化工具是悬挂根图。可以在这里找到一篇关于这方面的好论文。我在这个答案中展示了如何应用悬挂根图来检查对泊松分布的拟合。

根据以上几点，您可能会觉得问自己一些有用的问题：

1. 你的具体目标是什么？为什么要显示数据遵循 Skellam 分布？
2. 与 Skellam 分布的偏差必须有多大才能使您认为 Skellam 分布的模型不适合该任务？

这两个问题都需要我没有的主题知识。