คำถามติดแท็ก kurtosis

ฉันต้องการที่จะรู้ว่าอะไรคือช่วงของค่าความเบ้และความโด่งซึ่งข้อมูลถูกพิจารณาว่ามีการแจกจ่ายตามปกติ ฉันได้อ่านข้อโต้แย้งมากมายและส่วนใหญ่ฉันได้คำตอบที่หลากหลาย บางคนบอกว่าสำหรับความเบ้และสำหรับ kurtosis เป็นช่วงที่ยอมรับได้สำหรับการกระจายตามปกติ บางคนบอกว่า(-1.96,1.96)สำหรับความเบ้เป็นช่วงที่ยอมรับได้ ฉันพบการสนทนาอย่างละเอียดที่นี่: อะไรคือช่วงของความเบ้และ kurtosis ที่ยอมรับได้สำหรับการกระจายข้อมูลปกติเกี่ยวกับปัญหานี้ แต่ฉันไม่พบคำสั่งเด็ดขาดใด ๆ( - 2 , 2 )(−1,1)(−1,1)(-1,1)(−2,2)(−2,2)(-2,2)(−1.96,1.96)(−1.96,1.96)(-1.96,1.96) พื้นฐานสำหรับการตัดสินใจช่วงเวลาดังกล่าวคืออะไร? นี่เป็นตัวเลือกส่วนตัวหรือไม่? หรือมีคำอธิบายทางคณิตศาสตร์เบื้องหลังช่วงเวลาเหล่านี้หรือไม่?

11 normal-distribution  skewness  kurtosis 

ฉันกำลังใช้ตัวประมาณปกติสำหรับ kurtosisแต่ฉันสังเกตเห็นว่าแม้แต่ 'ค่าผิดปกติ' ในการแจกแจงเชิงประจักษ์ของฉัน เช่นยอดเขาเล็ก ๆ ห่างจากศูนย์กลางส่งผลกระทบอย่างมาก มีตัวประมาณค่าความโด่งซึ่งมีความทนทานกว่านี้หรือไม่?K^= μ^4σ^4K^=μ^4σ^4\hat{K}=\frac{\hat{\mu}_4}{\hat{\sigma}^4}

11 outliers  robust  moments  kurtosis 

ฉันต้องการอธิบาย "ความแหลม" และ "ความหนักเบา" ของฟังก์ชันความหนาแน่นของความน่าจะเป็นแบบเบ้ คุณสมบัติที่ฉันต้องการจะอธิบายพวกเขาจะถูกเรียกว่า "kurtosis" หรือไม่? ฉันเคยเห็นเพียงคำว่า "kurtosis" ใช้สำหรับการแจกแจงแบบสมมาตรหรือไม่

11 pdf  descriptive-statistics  skewness  kurtosis 

มีนิพจน์แบบปิดสำหรับการแจกตัวอย่าง Kurtosis ของข้อมูลจากการแจกแจงแบบเกาส์หรือไม่? กล่าวคือ ที่ Kคือโด่งตัวอย่างP(K^&lt;a)P(K^&lt;a)P(\hat{K}<a)K^K^\hat{K}

10 normal-distribution  kurtosis 

ฉันเพิ่งรู้ว่ามีความแตกต่างในค่าเคิร์ตซีให้ SPSS และ Stata ดูhttp://www.ats.ucla.edu/stat/mult_pkg/faq/general/kurtosis.htm ความเข้าใจของฉันคือการตีความที่เหมือนกันจึงจะแตกต่างกัน คำแนะนำเกี่ยวกับวิธีการจัดการกับเรื่องนี้?

10 spss  stata  interpretation  kurtosis 

ฉันกำลังทำสถิติเชิงพรรณนาของผลตอบแทนรายวันจากดัชนีหุ้น คือถ้าและP 2เป็นระดับของดัชนีในวันที่ 1 และวันที่ 2 ตามลำดับจากนั้นl o g e ( P 2P1P1P_1P2P2P_2คือผลตอบแทนที่ฉันใช้ (มาตรฐานสมบูรณ์ในวรรณกรรม)loge(P2P1)loge(P2P1)log_e (\frac{P_2}{P_1}) ดังนั้นความโด่งจึงมีมากในบางส่วนของสิ่งเหล่านี้ ฉันกำลังดูข้อมูลรายวันประมาณ 15 ปี (ประมาณการสังเกตอนุกรมเวลา)260∗15260∗15260 * 15 means sds mins maxs skews kurts ARGENTINA -0.00031 0.00965 -0.33647 0.13976 -15.17454 499.20532 AUSTRIA 0.00003 0.00640 -0.03845 0.04621 0.19614 2.36104 CZECH.REPUBLIC 0.00008 0.00800 -0.08289 0.05236 -0.16920 5.73205 FINLAND …

10 distributions  finance  skewness  kurtosis 

ในค่าลักษณะเฉพาะ PCA กำหนดลำดับของส่วนประกอบ ใน ICA ฉันใช้ kurtosis เพื่อรับการสั่งซื้อ มีวิธีการใดบ้างที่ได้รับการยอมรับในการประเมินจำนวน (เนื่องจากฉันมีคำสั่งซื้อ) ของส่วนประกอบที่แตกต่างจากความรู้ก่อนหน้าเกี่ยวกับสัญญาณ

10 statistical-significance  pca  kurtosis  ica 

ฉันสงสัยว่าใครสามารถช่วยฉันเกี่ยวกับข้อมูลเกี่ยวกับ Kurtosis (เช่นมีวิธีแปลงข้อมูลของคุณเพื่อลดหรือไม่) ฉันมีชุดข้อมูลแบบสอบถามที่มีเคสและตัวแปรจำนวนมาก สำหรับตัวแปรบางตัวของฉันข้อมูลแสดงค่า kurtosis ที่ค่อนข้างสูง (เช่นการกระจายตัวของเลปโตคูเทอริก) ซึ่งมาจากข้อเท็จจริงที่ว่าผู้เข้าร่วมจำนวนมากให้คะแนนเดียวกันกับตัวแปร ฉันมีขนาดตัวอย่างขนาดใหญ่เป็นพิเศษดังนั้นตามทฤษฎีบทขีด จำกัด กลางการฝ่าฝืนกฎเกณฑ์ก็ควรจะดี อย่างไรก็ตามปัญหาคือความจริงที่ว่าระดับสูงโดยเฉพาะอย่างยิ่งของ Kurtosis กำลังผลิตจำนวนของค่าผิดปกติที่ไม่เปลี่ยนแปลงในชุดข้อมูลของฉัน ดังนั้นแม้ว่าฉันจะแปลงข้อมูลหรือลบ / ปรับค่าผิดปกติระดับสูงของ kurtosis หมายความว่าคะแนนสูงสุดต่อไปจะกลายเป็นค่าผิดปกติโดยอัตโนมัติ ฉันมุ่งหวังที่จะใช้ (การวิเคราะห์ฟังก์ชั่นจำแนก) DFA นั้นมีความแข็งแกร่งในการออกจากภาวะปกติหากการละเมิดนั้นเกิดจากความเบ้และไม่ใช่ค่าผิดปกติ นอกจากนี้ DFA ยังได้รับการกล่าวถึงว่าได้รับอิทธิพลจากค่าผิดปกติในข้อมูล (Tabachnick &amp; Fidel) โดยเฉพาะ มีความคิดเห็นเกี่ยวกับวิธีแก้ไขปัญหานี้อย่างไร? (ความคิดเริ่มต้นของฉันคือวิธีการควบคุม Kurtosis แต่มันไม่ได้เป็นสิ่งที่ดีถ้าตัวอย่างส่วนใหญ่ของฉันให้คะแนนคล้ายกัน?)

10 distributions  assumptions  kurtosis  discriminant-analysis  parametric 

อะไรจะเทียบเท่าปกติกับความเบ้ที่จะมีหน่วยเดียวกับข้อมูล? ในทำนองเดียวกันสิ่งที่จะเทียบเท่าปกติ Kurtosis? จะเป็นการดีที่ฟังก์ชั่นเหล่านี้ควรเป็นเชิงเส้นที่มีความเคารพต่อข้อมูลที่มีความหมายว่าถ้าสังเกตทั้งหมดจะถูกคูณด้วยปัจจัยที่ส่งผลปกติเบ้และความโด่งจะคูณด้วยปัจจัยเดียวกันn nประโยชน์ของการมีการเทียบเท่าปกติดังกล่าวจะสามารถซ้อนทับพวกเขาด้านบนของพล็อตกล่องและมัสสุมาตรฐาน

10 skewness  kurtosis