Watsonin ei- parametrinen sopivuustesti [1] [2] on Cramer-Mises-Smirnovin sopivuustestin kehitys . Kriteeri ehdotettiin testaamaan yksinkertaisia hypoteeseja siitä, että analysoitu näyte kuuluu täysin tunnettuun lakiin , eli testata muotoja olevia hypoteeseja teoreettisen lain tunnetulla parametrivektorilla.
Watson-kriteeri käyttää tilastoja muodossa [1] [2] :
,
missä on otoksen koko, ovat otoksen elementit lajiteltu nousevaan järjestykseen.
Jos yksinkertainen testattava hypoteesi pitää paikkansa, rajan tilastot noudattavat [1] jakaumaa:
.
Vähentääksesi tilastojakauman riippuvuutta otoskoosta, voit käyttää kriteerissä lomakkeen [3] tilastojen muokkausta.
.
On kuitenkin korostettava, että tilastojakauman riippuvuus otoskoosta on ilmaistu heikosti. Jos tilaston jakauma poikkeaa rajoittavasta jakaumasta, se voidaan jättää huomiotta. Yksinkertaisia hypoteeseja testattaessa Watson-kriteeri on jonkin verran tehokkaampi kuin Cramer-Mises-Smirnov-kriteeri [4] .
Yksinkertaisia hypoteeseja testattaessa kriteeri on jakaumavapaa, eli se ei riipu lain tyypistä, jonka kanssa sopimusta testataan.
Testattu hypoteesi hylätään suurilla tilastoarvoilla.
Kun testataan muotoa , jossa skalaari- tai vektorijakaumaparametrin estimaatti lasketaan samasta otoksesta, testattaessa monimutkaisia hypoteeseja, Watsonin sopivuustesti (kuten kaikki ei-parametriset sopivuustestit) menettää jakautumisvapaan. omaisuus [5] .
Monimutkaisia hypoteeseja testattaessa ei-parametristen sopivuustestien tilastojen jakaumat riippuvat useista tekijöistä: havaitun lain tyypistä, joka vastaa testattavaa validia hypoteesia ; arvioitavan parametrin tyypistä ja arvioitavien parametrien lukumäärästä; joissakin tapauksissa tietyllä parametriarvolla (esimerkiksi gamma- ja beeta-jakaumien perheiden tapauksessa); parametrien estimointimenetelmästä. Erot tilastojen rajoittavissa jakaumissa testattaessa yksinkertaisia ja monimutkaisia hypoteeseja ovat erittäin merkittäviä, joten tätä ei missään tapauksessa pidä laiminlyödä [6] .