데이터가 특정 분포를 따르는지에 대한 적합도 검정법에는 카이제곱 검정외에
Kolmogorov-Smirnov) 검정, Anderson-Darling 검정, Shapiro-Wilk의 정규성 검정 등이 있으며,
시각적인 방법으로는 확률도표(Probability Plot)를 이용하는 방법이 있다.
Anderson-Darling 통계량은 데이터가 특정 분포를 얼마나 잘 따르는지 측정하는데,
데이터가 분포에 잘 적합할수록, 이 통계량의 값은 작아진다.

데이터의 정규성 검정을 실행핟 보면 결과 값으로 등장하는 AD (Anderson-Darling) 통계량과
p-value가 같이 분석되어져 나오는 것을 볼 수 있다.

우선 정규성 검정 하나만 두고 보면 정규성 검정은 수집된 데이터(관측값)들이
정규분포의 가정을 만족하는지를 검정하는 방법이다.

Anderson-Darling 검정을 통한 정규성 검정은 표본 데이터의 경험적 누적분포함수와
데이터가 정규분포를 따를 경우 예상되는 분포를 비교하여 관측된 차이인
AD (Anderson-Darling) 통계량이 충분히 큰 경우 모집단이 정규 분포를 따른다는 귀무 가설을 기각한다.

H0 (귀무가설) : 데이터가 정규분포의 가정을 만족한다.
Ha (대립가설) : 데이터가 정규분포의 가정을 만족하지 않는다.

보통 우리는 검정의 결과로 구해지는 p-value를 보고 H0를 기각할 것인지
Ha를 기각할 것인지 판단을 하는데 p-value가 선택한 유의 수준(α, 보통 0.05 또는 0.10)보다 작으면
데이터가 정규분포를 따르지 않는다는 결론을 내리게 된다.

그런데 정규성 검정을 하는 방법으로 몇가지 선택사항이 있는데, 보통 Anderson-Darling test를
사용하기 때문에 AD (Anderson-Darling) 통계량과 AD test 결과에 대한 p-value가 같이 분석되어져 나오게 된다.

그리고, 여러 분포의 적합도를 비교하는 경우 분석되는 Anderson-Darling(AD) 통계량은
데이터에 가장 적합한 분포를 결정하는 데 도움이 되는 적합도 검정의 p-value를 계산하는 데 사용된다.

여기서, 개별 분포를 식별할 때 Anderson-Darling(AD) 통계량을 사용하여 계산한 p-value를 적용하여
분포 모형을 결정하는데 활용한다. 일반적으로, 어떤 분포가 데이터에 더 적합할수록 p-value는 큰 값을,
Anderson-Darling(AD) 통계량은 상대적으로 적은 값을 갖는다.