欢迎来到“适合度检验”（Goodness of Fit）的世界！
你有没有想过一枚硬币是否“真的”公平，或者一场足球赛中的入球数是否真的遵循某种可预测的规律？在本章中，我们将学习如何使用适合度检验（Goodness of Fit test）来验证真实世界的数据是否符合特定的数学模型。
如果刚开始觉得有点抽象，别担心！这就像试穿一条新牛仔裤：“适合度检验”只不过是告诉我们“牛仔裤”（我们的数学模型）与“人”（我们的实际数据）有多合身。如果不合身，我们就需要换一个模型！
1. 核心概念：卡方（\(\chi^2\)）检验
为了衡量“合身程度”，我们使用卡方（\(\chi^2\)）检验。这项检验会将我们实际观察到的数值（观察频数，\(O\)）与假设模型正确时我们预期会看到的数值（期望频数，\(E\)）进行比较。
检验统计量公式
我们使用以下公式来计算检验统计量：
\[ \chi^2 = \sum \frac{(O - E)^2}{E} \]
公式拆解：
1. \(O - E\)： 计算实际发生数与预期数之间的差异。
2. \((O - E)^2\)： 将差异平方（这样可以确保所有数值变为正数，避免正负抵消！）。
3. \(/ E\)： 除以期望值，将差异进行标准化（scale）。
4. \(\sum\)： 将所有类别的结果加总。
快速回顾：
如果总 \(\chi^2\) 值很小，表示模型非常合适（牛仔裤很合身！）。
如果总 \(\chi^2\) 值很大，表示模型不合适（牛仔裤太紧或太松了！）。
2. “黄金法则”：数据合并（Pooling）
要让卡方检验有效，你必须记住一条非常重要的规则：每一个期望频数（\(E\)）都必须至少为 5。
为什么？ 因为我们的公式需要除以 \(E\)。如果 \(E\) 非常小（例如 0.5），即使差异并不显著，也会让 \(\chi^2\) 值变得极大。这会导致检验失效！
如果 \(E < 5\) 怎么办？
如果期望频数小于 5，你必须将该类别与邻近的类别进行合并（pool）。
例如：如果你正在观察入球数（0, 1, 2, 3, 4+），而“4+ 球”的期望值只有 2，你就应该将“3 球”和“4+ 球”合并为一个“3 球或以上”的类别。
重点提示： 在开始计算前，务必先检查你的 \(E\) 值。如果小于 5，请合并它们！
3. 自由度（Degrees of Freedom, \(v\)）
在统计学中，“自由度”（以希腊字母 \(v\) 表示，读作 'nu'）告诉我们数据有多少“活动空间”。为了从公式手册中找到临界值（critical value），你必须正确计算出这个数值。
适合度检验的一般公式为：
\(v = n - 1 - k\)
其中：
- \(n\)： 类别数量（合并后的数量）。
- \(1\)： 我们总是减去 1，因为总频数是固定的。
- \(k\)： 我们从样本数据中估计出来以计算期望频数的参数数量。
我应该减去多少参数（\(k\)）？
这是学生最容易出错的地方，以下是一份实用指南：
- 均匀/指定分布（Uniform/Specified Distribution）： \(k = 0\)（通常无需估计参数）。
- 二项分布（Binomial, \(B(n, p)\)）： \(k = 1\)（如果我们必须从数据中计算 \(p\)）。
- 泊松分布（Poisson, \(Po(\lambda)\)）： \(k = 1\)（如果我们必须从数据中计算平均值 \(\lambda\)）。
- 指数分布（Exponential, \(Exp(\lambda)\)）： \(k = 1\)（如果我们必须从数据中计算 \(\lambda\)）。
- 正态分布（Normal, \(N(\mu, \sigma^2)\)）： \(k = 2\)（如果我们必须从数据中计算平均值 \(\mu\) 和方差 \(\sigma^2\)）。
你知道吗？ 如果题目直接给了你参数（例如：“检验数据是否符合平均值为 3 的泊松分布”），那么 \(k = 0\)，因为你不需要自己进行估计！
4. 逐步执行检验
遵循以下步骤，确保不会失分：
- 陈述你的假设（Hypotheses）：
\(H_0\)：该[分布]与数据吻合。
\(H_1\)：该[分布]与数据不吻合。 - 计算期望频数（\(E\)）： 将总频数乘以该分布下每个类别发生的机率。
- 检查是否需要合并： 如果任何 \(E < 5\)，合并相关类别。
- 计算检验统计量： 使用 \(\sum \frac{(O - E)^2}{E}\)。
- 决定自由度： \(v = n - 1 - k\)（记得 \(n\) 是合并后的组数）。
- 寻找临界值： 使用 \(v\) 和显著性水平（通常为 5%）在 \(\chi^2\) 表中查询。
- 做出决定：
- 如果你计算出的 \(\chi^2\) 大于临界值，拒绝 \(H_0\)。
- 如果你计算出的 \(\chi^2\) 小于临界值，不拒绝 \(H_0\)。 - 情境结论： “有足够/不足够的证据显示该[分布]与数据吻合……”
5. 常见陷阱
- 忘记合并： 这是最常见的错误。务必先检查 \(E\) 值！
- 分母使用 \(O\)： 公式除以的是 \(E\)，不是 \(O\)。记住：“\(O\) 减去 \(E\) 的平方，除以 \(E\)”。
- \(n\) 值错误： 计算自由度时，使用了合并前的类别数量，而非合并后的数量。
- 叶氏校正（Yates' Correction）： 你可能会在旧教材或其他课程中看到，但在 Pearson Edexcel 9ST0 课程中，不需要使用叶氏校正，请忽略它！
6. 参数（\(k\)）摘要表
如果你不确定该使用什么 \(k\)，请参考此“快速回顾”框：
快速回顾：估计参数
1. 我是否从原始数据计算了平均值？（泊松/指数/二项/正态） \( \rightarrow \) 减 1。
2. 我是否从原始数据计算了标准差？（仅限正态分布） \( \rightarrow \) 再减 1。
3. 如果题目已经直接给我数值 \( \rightarrow \) 减 0。
例如：你正在检验 100 个观测值是否符合泊松分布。你计算出样本平均值为 2.4，并用它来计算期望值。你有 6 个类别，且不需要合并。
你的自由度将会是：\(v = 6 - 1 - 1 = 4\)。
最后鼓励： “适合度检验”是一个结构非常明确的题目。一旦你掌握了标准程序，并记住合并数据的“5 之法则”，你会发现这些题目是 Paper 2 中拿分的好机会！