เราควรสอน kurtosis ในหลักสูตรสถิติประยุกต์หรือไม่? ถ้าเป็นเช่นนั้นได้อย่างไร


17

แนวโน้มที่เป็นศูนย์กลางการแพร่กระจายและความเบ้สามารถกำหนดได้ค่อนข้างดีอย่างน้อยบนพื้นฐานที่เข้าใจง่าย มาตรการทางคณิตศาสตร์มาตรฐานของสิ่งเหล่านี้ยังสอดคล้องกับแนวคิดที่ใช้งานง่ายของเรา แต่ดูเหมือนว่าจะแตกต่าง Kurtosis มันสับสนมากและมันก็ไม่เข้ากันกับสัญชาตญาณเกี่ยวกับรูปร่างการกระจาย

คำอธิบายทั่วไปของ kurtosis ในการตั้งค่าที่ใช้อาจเป็นสารสกัดจากสถิติประยุกต์สำหรับธุรกิจและการจัดการโดยใช้ Microsoft Excel :[1]

Kurtosis หมายถึงการกระจายของจุดสูงสุดหรือในทางกลับกันว่ามันกระจายตัวอย่างไร หากมีค่าของข้อมูลในก้อยมากกว่าที่คุณคาดหวังจากการแจกแจงแบบปกติ Kurtosis จะเป็นค่าบวก ในทางกลับกันหากมีค่าข้อมูลในก้อยน้อยกว่าที่คุณคาดหวังจากการแจกแจงแบบปกติ kurtosis จะเป็นค่าลบ Excel ไม่สามารถคำนวณสถิตินี้เว้นแต่ว่าคุณมีค่าข้อมูลอย่างน้อยสี่ค่า

นอกเหนือจากความสับสนระหว่าง "kurtosis" และ "เกิน kurtosis" (เช่นเดียวกับในหนังสือเล่มนี้มันเป็นเรื่องธรรมดาที่จะใช้คำเดิมเพื่อหมายถึงสิ่งที่ผู้เขียนคนอื่นเรียกหลัง) การตีความในแง่ของ "แหลม" หรือ "เรียบ" ถูกยุ่งเหยิงโดยสวิตช์ของความสนใจกับจำนวนข้อมูลในส่วนท้าย พิจารณาทั้ง "ยอด" และ "ก้อย" เป็นสิ่งจำเป็น - Kaplansky[2]บ่นในปี 1945 ว่าตำราหลายเล่มในเวลาที่ระบุไว้อย่างไม่ถูกต้อง kurtosis จะทำอย่างไรกับยอดสูงของการกระจายเมื่อเทียบกับที่ของการกระจายปกติโดยไม่ต้องพิจารณาหาง แต่เห็นได้ชัดว่าต้องพิจารณารูปร่างทั้งที่จุดสูงสุดและในหางทำให้สัญชาตญาณยากที่จะเข้าใจจุดที่ยกมาเหนือข้ามไปโดยแยกออกจากยอดแหลมจนถึงหางของหางราวกับว่าแนวคิดเหล่านี้เหมือนกัน

ยิ่งไปกว่านั้นคำอธิบาย "จุดสูงสุดและก้อย" แบบคลาสสิกของ kurtosis ใช้งานได้ดีสำหรับการกระจายแบบสมมาตรและแบบ unimodal (จริง ๆ แล้วตัวอย่างที่แสดงในข้อความนั้นเป็นแบบสมมาตรทั้งหมด) ยัง "ถูกต้อง" วิธีการทั่วไปที่จะตีความโด่งไม่ว่าจะเป็นในแง่ของ "ยอด", "หาง" หรือ "ไหล่" ได้รับการโต้แย้งมานานหลายทศวรรษ [2][3][4][5][6]

มีวิธีการสอน kurtosis ที่ใช้งานง่ายในสภาพแวดล้อมที่ใช้ซึ่งจะไม่กระทบหรือแย้งกันเมื่อมีวิธีการที่เข้มงวดกว่านี้ kurtosis เป็นแนวคิดที่มีประโยชน์หรือไม่ในบริบทของหลักสูตรการวิเคราะห์ข้อมูลแบบประยุกต์เหล่านี้ซึ่งแตกต่างจากในชั้นเรียนสถิติทางคณิตศาสตร์หรือไม่? หาก "ความแหลม" ของการแจกแจงเป็นแนวคิดที่มีประโยชน์อย่างสังหรณ์ใจเราควรสอนโดยใช้ช่วงเวลา L- ช่วงเวลาแทนไหม?[7]

[1] Herkenhoff, L. และ Fogli, J. (2013) สถิติประยุกต์สำหรับธุรกิจและการจัดการใช้โปรแกรม Microsoft Excel New York, NY: Springer

[2] Kaplansky, I. (1945) "ข้อผิดพลาดทั่วไปที่เกี่ยวข้องกับการทำลมพิษ" วารสารของสมาคมอเมริกันสถิติ , 40 (230): 259

[3]ดาร์ลิงตันริชาร์ดบี (1970) Kurtosis Is 'Peakedness' จริงๆหรือ? " นักสถิติชาวอเมริกัน 24 (2): 19–22

[4]ทุ่งเจเจอา (2529) "ความหมายของ kurtosis: ดาร์ลิงตันตรวจสอบ" นักสถิติชาวอเมริกัน 40 (4): 283–284

Balanda, Kevin P. และ MacGillivray, HL (1988) "Kurtosis: บทวิจารณ์ที่สำคัญ" นักสถิติชาวอเมริกัน 42(2): 111–119[5]

DeCarlo, LT (1997) "เกี่ยวกับความหมายและการใช้งานของเคิร์ต" วิธีการทางจิตวิทยา,2(3), 292 ชิคาโก[6]

Hosking, JRM (1992) "ช่วงเวลาหรือช่วงเวลา L? ตัวอย่างการเปรียบเทียบการวัดรูปร่างการกระจายสองแบบ" สถิติชาวอเมริกัน46(3): 186–189[7]


2
หลักสูตรปกติคุณหมายถึงอะไร นั่นคือระดับการศึกษา
Gumeo

5
คุณสอนอะไรเกี่ยวกับ kurtosis อย่างแน่นอน? คำถามนี้ค่อนข้างคลุมเครือเหมือนเดิม โปรดกรอกข้อมูลให้เหมาะกับหลักสูตรของคุณในตอนนี้และอาจเป็นตัวอย่างที่ใช้งานง่ายจากมาตรการมาตรฐานที่คุณเห็นด้วยกับสิ่งที่ขัดแย้งกันในเรื่องของความรุนแรง
จอห์น

3
ฉันไม่คิดว่าช่วงเวลาที่วัดความโด่งจะแตกต่างจากช่วงเวลาที่เบ้ในแง่นั้น ในทั้งสองกรณีพวกเขาไม่ได้สะท้อนสิ่งที่ผู้คนคิดว่าทำและพวกเขาทั้งสองใช้งานง่ายกว่าเรื่องราวที่ผู้คนบอกตัวเองเกี่ยวกับพวกเขา สำหรับตัวอย่างที่น่าแปลกใจทุกตัวอย่างที่ฉันมีเกี่ยวกับความรุนแรงฉันมีอีกหนึ่งความเบ้ ฉันจะไม่ลบสิ่งใดสิ่งหนึ่ง แต่ฉันจะลดความสำคัญของมาตรการในขณะนั้นฉันจะย้ายพวกมันในภายหลังและเปลี่ยนวิธีการสอนของพวกเขาเพื่อที่เราจะได้ไม่ทำให้แนวคิดแตกต่างกัน ทำการอ้างสิทธิ์ที่ไม่ระงับ
Glen_b -Reinstate Monica

3
ความเบ้ที่สูงขึ้นไม่ได้แปลว่าหางที่หนักกว่าในทิศทางของความเบ้ Zero skewness ไม่ได้หมายถึงความสมมาตร ความสมมาตรไม่ได้บอกเป็นนัยถึงความเบ้ สิ่งที่เหลืออยู่สัญชาติญาณ
Glen_b -Reinstate Monica

3
ต่อไปนี้เป็นคำตอบของการสนทนาที่มีตัวอย่างที่น่าสนใจ มีบางคนอยู่ แต่ฉันไม่เห็นพวกเขาในตอนนี้ โพสต์ของ whuber บางส่วนก็มีประโยชน์เช่นกัน
Glen_b -Reinstate Monica

คำตอบ:


18

Kurtosis นั้นง่ายมาก ๆ ... และมีประโยชน์ มันเป็นเพียงการวัดค่าผิดปกติหรือก้อย มันไม่เกี่ยวอะไรกับจุดสูงสุดใด ๆ - คำจำกัดความนั้นต้องถูกยกเลิก

นี่คือชุดข้อมูล:
0, 3, 4, 1, 2, 3, 0, 2, 1, 3, 2, 0, 2, 2, 3, 2, 5, 2, 3, 999

โปรดสังเกตว่า '999' เป็นสิ่งที่เกินความจริง

Z4

0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00,0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 360.98

Z4

Z4

ควรเห็นได้ชัดจากการคำนวณนี้ว่าข้อมูลใกล้กับ "จุดสูงสุด" (ข้อมูลที่ไม่ใช่ค่าผิดปกติ) ไม่มีส่วนช่วยในสถิติ kurtosis

Kurtosis มีประโยชน์ในการวัดค่าผิดปกติ ค่าผิดปกติมีความสำคัญต่อนักเรียนระดับประถมศึกษาดังนั้นจึงควรมีการสอนความรู้เบื้องต้น แต่ความโด่งไม่มีอะไรเกี่ยวข้องกับยอดเขาไม่ว่าจะเป็นแหลมแบน bimodal หรือไม่มีที่สิ้นสุด คุณสามารถมีทั้งหมดข้างต้นด้วย kurtosis ขนาดเล็กและทั้งหมดข้างต้นที่มี kurtosis ขนาดใหญ่ ดังนั้นจึงไม่ควรถูกนำเสนอว่ามีส่วนเกี่ยวข้องกับจุดสูงสุดเพราะนั่นจะเป็นการสอนข้อมูลที่ไม่ถูกต้อง นอกจากนี้ยังทำให้วัสดุที่ไม่จำเป็นทำให้เกิดความสับสนและดูเหมือนว่ามีประโยชน์น้อยกว่า

สรุป:

  1. kurtosis มีประโยชน์ในการวัดหาง (outliers)
  2. Kurtosis ไม่มีส่วนเกี่ยวข้องกับจุดสูงสุด
  3. kurtosis เป็นประโยชน์ในทางปฏิบัติและควรได้รับการสอน แต่เป็นเพียงการวัดค่าผิดปกติ อย่าพูดถึงจุดสูงสุดเมื่อทำการสอน kurtosis

บทความนี้จะอธิบายอย่างชัดเจนว่าเหตุใดคำจำกัดความ "ความแหลม" จึงเป็นทางการ

Westfall, PH (2014) " โด่งเป็น Peakedness 1905 - 2014 RIP " อเมริกันสถิติ , 68 (3), 191-195


4
$$z^4$LATEX

6

ในขณะที่คำถามค่อนข้างคลุมเครือ แต่ก็น่าสนใจ Kurtosis สอนในระดับใด ฉันจำได้ว่ามันถูกกล่าวถึงในหลักสูตร (ระดับปริญญาโท) ในแบบจำลองเชิงเส้น (เมื่อนานมาแล้วตามหนังสือเล่มแรกของ Seber) มันไม่ได้เป็นหัวข้อที่สำคัญ แต่มันเข้ามาในหัวข้อเช่นการศึกษา (ขาด) ความทนทานของการทดสอบอัตราส่วนความน่าจะเป็น (F-test) ของความเท่าเทียมกันของความแปรปรวนที่ (จากหน่วยความจำ) ระดับที่ถูกต้อง asymptotically ขึ้นอยู่กับการ การแจกแจงแบบปกติซึ่งมากเกินกว่าจะเดาได้! เราเห็นกระดาษ (แต่ฉันไม่เคยอ่านรายละเอียดเลย) http://www.jstor.org/stable/4615828?seq=1#page_scan_tab_contents โดย Oja ซึ่งพยายามค้นหาว่าเบ้ kurtosis และมาตรการแบบใด

ทำไมฉันถึงพบว่าสิ่งนี้น่าสนใจ? เพราะฉันได้สอนภาษาละตินอเมริกาซึ่งดูเหมือนว่ามีการสอนเรื่องความเบ้ & ความโด่งดังหลายเรื่องที่สำคัญและพยายามบอกนักศึกษาระดับบัณฑิตศึกษา (หลายคนมาจากเศรษฐกิจ) ว่าการทำแบบนี้เป็นการวัดที่ไม่ดี เพราะการสุ่มตัวอย่างความแปรปรวนของพลังที่สี่นั้นใหญ่มาก) ยาก ฉันพยายามให้พวกเขาใช้ QQplots แทน ดังนั้นสำหรับผู้แสดงความคิดเห็นบางคนใช่สิ่งนี้ได้ถูกสอนมาแล้วบางที่อาจจะมาก!

โดยวิธีการนี้ไม่เพียง แต่ความคิดเห็นของฉัน โพสต์บล็อกต่อไปนี้https://www.spcforexcel.com/knowledge/basic-statistics/are-skewness-and-kurtosis-useful-statistics มีการอ้างอิงนี้ (มีการอ้างอิงจากดร. วีลเลอร์):

ในระยะสั้นความเบ้และความโด่งเป็นจริงไม่มีค่า Shewhart ทำข้อสังเกตนี้ในหนังสือเล่มแรกของเขา สถิติสำหรับความเบ้และความโด่งก็ไม่ได้ให้ข้อมูลที่เป็นประโยชน์ใด ๆ นอกเหนือจากที่ได้รับจากการวัดที่ตั้งและการกระจายตัว

เราควรสอนเทคนิคที่ดีกว่าเพื่อศึกษารูปแบบการแจกแจง! เช่น QQplots (หรือแผนการกระจายสัมพัทธ์) และถ้าใครบางคนยังต้องการมาตรการเชิงตัวเลขการวัดตามช่วงเวลา L จะดีกว่า ฉันจะอ้างอิงหนึ่งข้อความจากกระดาษ JR Statist Soc B (1990) 52, No 1, pp 105--124 โดย JRM Hosking: "ช่วงเวลา L: การวิเคราะห์และการประมาณการกระจายโดยใช้ชุดค่าผสมเชิงเส้นของสถิติการสั่งซื้อ" หน้า 109:

λ1λ2μ(F)12σ1(F)τ3τ4

(ในขณะนี้ฉันอ้างถึงกระดาษสำหรับคำจำกัดความของมาตรการเหล่านี้พวกเขาทั้งหมดขึ้นอยู่กับช่วงเวลา L) สิ่งที่น่าสนใจก็คือการวัดแบบดั้งเดิมของ kurtosis ขึ้นอยู่กับช่วงเวลาที่สี่ไม่ใช่ตัวชี้วัดของ kurtosis ในแง่ของ Oja! (ฉันจะแก้ไขในการอ้างอิงสำหรับการอ้างสิทธิ์นั้นเมื่อฉันสามารถหาได้)


1
ไม่มีปัญหากับการใช้งานกราฟิกและเทคนิคอื่น ๆ เพื่อทำความเข้าใจคุณสมบัติการกระจายตัว แต่คำแถลงว่า ทั้งสองมีผลดีมากในการอนุมานทางสถิติทุกชนิด
Peter Westfall

@ Peter มันอาจหมายถึง "empirical kurtosis" ในคำแถลงนั้น
kjetil b halvorsen

1
แม้กระนั้นก็ตามความรู้เชิงประจักษ์จะบอกคุณเมื่อคุณมีปัญหาที่ไม่คาดคิดในข้อมูลของคุณ ดังนั้นฉันจึงยังคิดว่าความคิดเห็น "ความเบ้และความโด่งเป็นจริงที่ไร้ค่า" คืออติพจน์ แน่นอนว่าพวกเขาอาจจะไม่ประมาณค่าพารามิเตอร์ของ "ประชากร" ที่ดีโดยเฉพาะอย่างยิ่งกับขนาดตัวอย่างที่เล็กลง แม้ว่าพวกเขาจะไม่ประมาณค่าพารามิเตอร์ประชากรโดยเฉพาะอย่างยิ่งพวกเขายังคงให้ข้อมูลที่เป็นประโยชน์เกี่ยวกับชุดข้อมูลที่มีอยู่ ข้อมูลที่แน่นอนควรเสริมด้วยมุมมองกราฟิกเช่นแปลง qq
Peter Westfall

@ Peter Westfall: คำถามที่แท้จริงอาจจะเป็นถ้าการทดลองเชิงประจักษ์เป็นวิธีที่ดีที่สุดในการตรวจสอบปัญหาที่เกิดขึ้นก่อนหน้านี้หรือหากมีสิ่งที่ดีกว่า?
kjetil b halvorsen

การทดลองเชิงประจักษ์เป็นการวัดลักษณะที่ผิดปกติของชุดข้อมูลไม่ใช่ค่าผิดปกติ ฉันจะไม่ไปไกลเท่าที่จะบอกว่า kurtosis = 3 (เหมือนปกติ) หมายถึง "ไม่มีค่าผิดปกติ" แต่ฉันจะบอกว่ากรณีเช่นนี้หมายความว่าตัวละครนอกนั้น (ตามที่วัดโดยค่าเฉลี่ย z แต่ละตัวถูกนำไปที่สี่ พลังงาน) คล้ายกับการแจกแจงแบบปกติ ในทางกลับกันความรุนแรงครั้งใหญ่บ่งบอกว่าเป็นปัญหาที่เกิดขึ้นจริง ใช่แปลง qq ปกติดีกว่าสำหรับการวินิจฉัยที่ละเอียดยิ่งขึ้น BTW พล็อต qq ปกติและ kurtosis ส่วนเกินมีการเชื่อมต่อทางคณิตศาสตร์ที่มั่นคง
Peter Westfall

3

ฉันความเห็นของฉันสัมประสิทธิ์ความเบ้เป็นประโยชน์ในการกระตุ้นเงื่อนไข: เบ้บวกและเบ้ในทางลบ แต่นั่นคือที่ที่มันหยุดถ้าเป้าหมายของคุณคือการประเมินความเป็นมาตรฐาน มาตรการแบบดั้งเดิมของความเบ้และความโด่งมักมักจะล้มเหลวในการตรวจจับการเบี่ยงเบนประเภทต่าง ๆ ออกไปจากภาวะปกติ ฉันมักจะแนะนำให้นักเรียนของฉันใช้เทคนิคกราฟิกเพื่อประเมินว่ามันสมเหตุสมผลในการประเมินความเป็นมาตรฐานเช่น qq-plot หรือ plot ความน่าจะเป็นปกติ นอกจากนี้ยังมีฮิสโตแกรมตัวอย่างที่มีขนาดเพียงพอ Boxplots ยังมีประโยชน์ในการระบุค่าผิดปกติหรือแม้แต่ก้อยที่หนัก

นี่คือสิ่งที่สอดคล้องกับคำแนะนำกองเรือรบของปี 1999 ของ APA:

" สมมติฐาน คุณควรใช้ความพยายามเพื่อให้มั่นใจว่าสมมติฐานพื้นฐานที่จำเป็นสำหรับการวิเคราะห์มีความสมเหตุสมผลเมื่อได้รับข้อมูล ตรวจสอบสิ่งตกค้างอย่างระมัดระวัง อย่าใช้การทดสอบแบบกระจายและดัชนีทางสถิติของรูปร่าง (เช่นความเบ้, ความโด่ง) เพื่อใช้แทนการตรวจสอบสิ่งที่เหลืออยู่ของคุณแบบกราฟิก การใช้การทดสอบทางสถิติเพื่อวินิจฉัยปัญหาในการปรับแบบจำลองมีข้อบกพร่องหลายประการ ขั้นแรกการทดสอบนัยสำคัญในการวินิจฉัยขึ้นอยู่กับสถิติสรุป (เช่นการทดสอบสำหรับความสม่ำเสมอของความแปรปรวน) มักจะไม่สามารถใช้การได้ การทดสอบแบบจำลองทางสถิติของเรามักจะแข็งแกร่งกว่าการทดสอบสมมติฐานทางสถิติของเรา ประการที่สองสถิติเช่นความเบ้และความโด่งมักจะล้มเหลวในการตรวจสอบความผิดปกติของการกระจายในส่วนที่เหลือ ประการที่สามการทดสอบทางสถิติขึ้นอยู่กับขนาดตัวอย่างและเมื่อขนาดตัวอย่างเพิ่มขึ้น การทดสอบมักจะปฏิเสธสมมติฐานที่ไร้เดียงสา โดยทั่วไปแล้วจะไม่มีสิ่งทดแทนการวิเคราะห์เชิงกราฟของสมมติฐาน"

การอ้างอิง: Wilkinson, L. , & Task Force ในการอนุมานทางสถิติ (1999) วิธีการทางสถิติในวารสารจิตวิทยา: แนวทางและคำอธิบาย นักจิตวิทยาอเมริกัน, 54, 594-604


1

คำถามเกี่ยวกับความถูกต้องของการประมาณอาจเกิดขึ้นทั้งนี้ขึ้นอยู่กับวิธีการใช้หลักสูตร ความแม่นยำของการประมาณค่าความแปรปรวนขึ้นอยู่กับ kurtosis อย่างมาก สาเหตุที่เกิดขึ้นก็คือเมื่อมีความเข้มข้นสูงการกระจายจึงอนุญาตให้มีข้อมูลที่หาได้ยาก ดังนั้นกระบวนการสร้างข้อมูลจะสร้างค่าที่สูงที่สุดในตัวอย่างบางส่วนและไม่ให้ค่าที่สูงที่สุดในตัวอย่างอื่น ๆ ในกรณีก่อนหน้านี้คุณจะได้รับการประมาณผลต่างที่มีขนาดใหญ่มากและในกรณีหลังคือการประมาณผลต่างเล็ก ๆ

หากการตีความ "ความแหลม" ที่ล้าสมัยและไม่ถูกต้องถูกกำจัดไปแล้วและให้ความสำคัญกับผู้ที่กระทำผิด (กล่าวคือหาได้ยากมากนักสังเกตการณ์) แทนมันจะง่ายกว่าที่จะสอนความรู้เบื้องต้นในหลักสูตรเบื้องต้น แต่ผู้คนต่างบิดตัวเองเป็นปมพยายามที่จะพิสูจน์ว่า "ความแหลม" เพราะมันเป็นวิธีที่ไม่ถูกต้องในตำราของพวกเขา แอปพลิเคชันเหล่านี้ส่วนใหญ่เกี่ยวข้องกับค่าผิดปกติและค่าผิดปกติของหลักสูตรมีความสำคัญในหลักสูตรสถิติประยุกต์


1
คุณเป็นคนปีเตอร์เวสต์ฟอลล์คนเดียวกันกับผู้เขียนคำตอบที่ถูกโหวตมากที่สุดในกระทู้นี้หรือไม่? ถ้าเป็นเช่นนั้นคุณอาจรวมโปรไฟล์ของคุณเข้าด้วยกันแล้วแก้ไขคำตอบเก่าของคุณโดยตรงแทนที่จะโพสต์คำตอบอื่น
อะมีบาพูดว่า Reinstate Monica

1
ใช่ขอโทษที่พลาด Netiquette
Peter Westfall

-1

ตรงไปตรงมาฉันไม่เข้าใจว่าทำไมผู้คนต้องการที่จะซับซ้อนสิ่งที่ง่าย ทำไมไม่แสดงเพียงคำจำกัดความ (ถูกขโมยจากWikipedia ):

เคิร์ต[X]=E[(X-μσ)4]=μ4σ4=E[(X-μ)4](E[(X-μ)2])2,

คุณสามารถแทนที่โอเปอเรเตอร์การคาดการณ์ด้วยตัวประมาณตาม 1nΣผม=1n, แน่นอน. ช่วยหารือเกี่ยวกับหน่วยวัดμ,σ2,μ4และแสดงเหตุผลที่ช่วงเวลาที่สี่ควรถูกปรับขนาดด้วยความแปรปรวนเพื่อให้การวัดแบบไม่มีมิติเป็นค่าพารามิเตอร์คือรูปร่าง ดังนั้นตอนนี้เรามีที่ตั้งμขนาด σ2และพารามิเตอร์จำนวนเท่าใดก็ได้เพื่ออธิบายรูปร่างเช่นความเบ้และความโด่ง ฉันมักจะเริ่มต้นด้วยสมการเสมอ ง่ายต่อการเข้าใจคำอธิบายเป็นภาษาอังกฤษล้วนทำให้ทุกอย่างสับสนมากขึ้น การใช้คำฟุ่มเฟื่อย ความชัดเจน


1
ปัญหาก็คือเมื่อคุณได้รับความรุนแรงมันไม่ได้ใช้ความหมายว่าอะไร (ถ้ามี) มันหมายถึงอะไร ไม่ตรงกับคุณสมบัติที่มีประโยชน์ของการแจกแจง
Peter Flom - Reinstate Monica

ใช่ kurtosis ไม่ตรงกับคุณภาพของการแจกแจงที่มีประโยชน์มาก - มันเป็นมาตรวัดของ tailweight (ค่าผิดปกติ) สนับสนุนทฤษฎีทางคณิตศาสตร์ซึ่งไม่มีตัวอย่าง: (i) kurtosis อยู่ระหว่าง E (Z ^ 4 * I (| Z |> 1)) และ E (Z ^ 4 * I (| Z |> 1)) + 1 สำหรับการแจกแจงทั้งหมดที่มีช่วงเวลาที่แน่นอน 4 (ii) สำหรับคลาสย่อยของการแจกแจงแบบต่อเนื่องโดยที่ความหนาแน่นของ Z ^ 2 ลดลง (0,1), kurtosis อยู่ระหว่าง E (Z ^ 4 * I (| Z |> 1) และ E (Z ^ 4 * I (| Z |> 1)) + .5 และ (iii) สำหรับลำดับของการแจกแจงแบบใดที่มี kurtosis ซึ่งมีแนวโน้มว่าจะไม่มีที่สิ้นสุด E (Z ^ 4 * I (| Z |> b)) / kurtosis -> 1 สำหรับ ทุกๆ b จริง
Peter Westfall
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.