Kurtosis วัดค่าผิดปกติ ค่าผิดปกติเป็นปัญหาสำหรับการอนุมานมาตรฐาน (เช่นการทดสอบ t- ช่วงเวลา t) ซึ่งเป็นไปตามการแจกแจงแบบปกติ นั่นคือจุดสิ้นสุดของเรื่องราว! และมันก็เป็นเรื่องง่าย ๆ
เหตุผลที่เรื่องนี้ไม่ได้รับการชื่นชมเป็นอย่างดีเป็นเพราะตำนานโบราณที่มาตรการความเค็มของ "ความแหลม" ยังคงมีอยู่
นี่คือคำอธิบายง่ายๆที่แสดงให้เห็นว่าเหตุใด Kurtosis จึงใช้มาตรการคนนอก
พิจารณาชุดข้อมูลต่อไปนี้
0, 3, 4, 1, 2, 3, 0, 2, 1, 3, 2, 0, 2, 2, 3, 2, 5, 2, 3, 1
Kurtosis เป็นค่าที่คาดหวังของ (z-values) ^ 4 นี่คือ (ค่า z) ^ 4:
6.51, 0.30, 5.33, 0.45, 0.00, 0.30, 6.51, 0.00, 0.45, 0.30, 0.00, 6.51, 0.00, 0.00, 0.30, 0.00, 27.90, 0.00, 0.30, 0.45
ค่าเฉลี่ยคือ 2.78 และนั่นเป็นค่าประมาณของความเสียหาย (ลบ 3 ถ้าคุณต้องการ kurtosis มากเกินไป)
ตอนนี้แทนที่ค่าข้อมูลล่าสุดด้วย 999 ดังนั้นมันจึงกลายเป็นค่าที่เกิน:
0, 3, 4, 1, 2, 3, 0, 2, 1, 3, 2, 0, 2, 2, 3, 2, 5, 2, 3, 999
ตอนนี้นี่คือ (ค่า z) ^ 4:
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
ค่าเฉลี่ยคือ 18.05 และนั่นเป็นค่าประมาณของความเสียหาย (ลบ 3 ถ้าคุณต้องการ kurtosis มากเกินไป)
เห็นได้ชัดว่ามีเฉพาะเรื่องค่าใช้จ่ายเท่านั้น ไม่มีอะไรเกี่ยวกับ "จุดสูงสุด" หรือข้อมูลที่อยู่ใกล้ประเด็นกลาง
หากคุณทำการวิเคราะห์ทางสถิติแบบมาตรฐานด้วยชุดข้อมูลที่สองคุณควรคาดหวังว่าจะเกิดปัญหา kurtosis ขนาดใหญ่เตือนคุณถึงปัญหา
นี่คือกระดาษที่บรรจง:
Westfall, PH (2014) Kurtosis แบบแหลม, 1905 - 2014. RIP นักสถิติชาวอเมริกัน, 68, 191–195