初学者问题：

我想测试两个离散数据集是否来自同一分布。有人建议我进行 Kolmogorov-Smirnov 测试。

Conover ( Practical Nonparametric Statistics , 3d) 似乎说 Kolmogorov-Smirnov 检验可用于此目的，但它的行为对于离散分布是“保守的”，我不确定这意味着什么。

DavidR对另一个问题的评论说：“......您仍然可以根据 KS 统计量进行 α 级测试，但您必须找到其他方法来获得临界值，例如通过模拟。”

dgof R 包（article、cran）中的 ks.test() 版本添加了一些在 stats 包中的默认版本 ks.test() 中不存在的功能。除其他外， dgof::ks.test 包括此参数：

模拟 p 值：一个逻辑指示是否通过蒙特卡罗模拟计算 p 值，仅用于离散拟合优度测试。

模拟.p.value=T 的目的是为了完成 DavidR 的建议吗？

即使是这样，我也不确定我是否真的可以使用 dgof::ks.test 进行两个样本测试。看起来它只为连续分布提供了两个样本测试：

如果 y 是数字，则对 x 和 y 来自同一连续分布的原假设执行两样本检验。

或者，y 可以是一个字符串，命名一个连续（累积）分布函数（或这样的函数），或一个给出离散分布的 ecdf 函数（或类 stepfun 的对象）。在这些情况下，对生成 x 的分布函数是分布 y ....

（背景细节：严格来说，我的基本分布是连续的，但数据往往非常靠近少数几个点。每个点都是模拟的结果，是 -1 和之间 10 或 20 个实数的平均值1. 到模拟结束时，这些数字几乎总是非常接近 0.9 或 -.9。因此，平均值围绕着几个值聚集，我将它们视为离散的。模拟很复杂，我没有有理由认为数据遵循众所周知的分布。）

建议？