如果我根据泊松假设测试 x，那么我使用 mean(x) 作为 lambda 来计算 p 所以 df = k - 2; 如果反对正态假设，那么我使用 mean(x) 和 var(x) 来计算 p 所以 df = k - 3。R 如何在不知道估计得到 p 的参数丢失的 df 的情况下返回 chisq 值？
#say I have some data that I want to test against Poisson
data = c(0, 0, 0, 1, 0, 1, 2, 2);
lambda = mean(data); #0.75
bins = c(0, 1, 2, 3); #bins for grouping data
x = c(4, 2, 2, 0); #number of observations for bins
p = dpois(bins, lambda);
chisq.test(x, p=p, rescale.p=TRUE)
#the df should be number of bins - 1 - number of estimates, so 2, but R gave df = 3, ignoring (not knowing) the 1df lost in lambda.
我将原始观测值分组为基于 bin 的频率向量 (x)，并使用原始数据将零假设概率分配给基于 bin 的向量 (p)，以估计未知的零假设分布参数。然后调用 chisq.test(x, p=p, rescale.p=TRUE) 根据一些分布假设来测试 x。这是做这样一个测试的正确方法吗？