我正在尝试使用基于卡方的标准来估计正态分布误差的拟合优度。
具体来说，我有一个样本和它的估计。从那里我用近似计算误差。我现在将这些误差用作新的假设正态分布式观测值O，其中预期的理论观测值E现在是这些误差的平均值或0（您希望估计值是完美的）。
对于精确拟合，使用https://en.wikipedia.org/wiki/Goodness_of_fit卡方统计量应该等于1，这是我以前没有预料到的。
我想要近似拟合，我得到的是卡方统计量等于~1.3 - 1.5。在小样本上，这些有时会变成2-3。
这被认为是一种可忍受的适合吗？
我在python中实现了这个，所以代码是
def chi_squared(error,mean,var,N,n):
return ((error)**2/var).sum(0)/(N - n - 1)
或
def chi_squared(error,mean,var,N,n):
return ((error - mean)**2/var).sum(0)/(N - n - 1)
其中N是观察数（len（错误））和n = 2（我试图拟合的参数数量是mean和var）。
它的效果非常好（我认为）只有6-8次观察，这很奇怪，因为你需要足够的统计来逼近高斯（至少10个样本等等） - 我希望更高的chi-值统计...
数据样本：
[-0.626637 -0.466102 0.235232 -1.803282 -0.376370 -0.891675 -0.347168 0.000000]
从这里我计算均值和var并应用上面的过程（我的真实数据是pd.DF，其中每列包含如上所述的系列，因此.sum（0）。使用时可以与sum（）一起使用其他数据类型）
根据@tom的评论：我使用的数据是数字而不是分类，因此使用scipy.stats.chisquare是不可能的。似乎我需要自己计算chi统计量和p值，除非有办法直接从python中做到这一点？
提前谢谢。