Schiefe und Kurtosis: Jenseits der Standardabweichung

Über Mittelwert und Standardabweichung hinaus

Während Mittelwert und Standardabweichung Lage und Streuung beschreiben, erfassen Schiefe und Kurtosis die Form von Verteilungen — Asymmetrie und Schwere der Ränder.

In der Statistik beschreiben wir Verteilungen mithilfe von "Momenten" — mathematischen Kennzahlen, die verschiedene Aspekte der Form erfassen:

1. Moment:Mittelwert (zentrale Tendenz)
2. Moment:Varianz/Standardabweichung (Streuung)
3. Moment:Schiefe (Asymmetrie)
4. Moment:Kurtosis (Randschwere)

Zwei Verteilungen können identische Mittelwerte und Standardabweichungen haben und dennoch völlig verschieden aussehen. Schiefe und Kurtosis erfassen diese Unterschiede und liefern ein vollständigeres Bild der Datenverteilung.

Schiefe: Messung der Asymmetrie

Die Schiefe misst, wie asymmetrisch eine Verteilung ist. Positive Schiefe bedeutet einen längeren rechten Rand (z. B. Einkommensverteilungen), negative Schiefe einen längeren linken Rand.

Stichproben-Schiefe

g₁ = [n/((n-1)(n-2))] × Σ[(xᵢ - x̄)/s]³

Schiefe = 0:Symmetrische Verteilung (Normal-, Gleichverteilung)
Schiefe > 0:Rechtsschief — Mittelwert übersteigt Median (Einkommen, Immobilienpreise)
Schiefe < 0:Linksschief — Median übersteigt Mittelwert (Rentenalter, Prüfungsergebnisse mit Obergrenze)

Häufig rechtsschiefe Daten

Viele reale Phänomene sind rechtsschief: Einkommen, Vermögen, Unternehmensgrößen, Stadtbevölkerungen, Versicherungsschäden und Wartezeiten. In diesen Fällen wird der Mittelwert durch Extremwerte nach oben gezogen, wodurch der Median ein besseres Maß für den "typischen" Wert ist.

Interpretationsrichtlinien:

|Schiefe| < 0,5: Annähernd symmetrisch
0,5 ≤ |Schiefe| < 1: Mäßig schief
|Schiefe| ≥ 1: Stark schief

Kurtosis: Schwere der Ränder

Die Kurtosis misst, wie schwer oder leicht die Ränder im Vergleich zu einer Normalverteilung sind. Hohe Kurtosis bedeutet mehr Extremwerte (schwere Ränder), niedrige Kurtosis bedeutet weniger.

Ein verbreitetes Missverständnis ist, dass Kurtosis die "Spitzigkeit" misst. Obwohl beides zusammenhängt, geht es bei der Kurtosis grundsätzlich um die Ränder. Eine Verteilung mit hoher Kurtosis hat mehr Wahrscheinlichkeitsmasse in den Rändern und am Gipfel, aber weniger in den "Schultern".

Exzess-Kurtosis

g₂ = [n(n+1)/((n-1)(n-2)(n-3))] × Σ[(xᵢ - x̄)/s]⁴ - 3(n-1)²/((n-2)(n-3))

Mesokurtisch (k ≈ 0):Normalverteilungsähnliche Ränder (Referenzwert)
Leptokurtisch (k > 0):Schwere Ränder, mehr Extremwerte als normal (Aktienrenditen, Erdbeben)
Platykurtisch (k < 0):Leichte Ränder, weniger Extremwerte als normal (Gleichverteilung, begrenzte Daten)

Schwere Ränder im Finanzwesen

Finanzrenditen weisen bekanntermaßen eine hohe Kurtosis auf ("schwere Ränder"). Ereignisse, die basierend auf Normalverteilungsannahmen nur einmal pro Jahrhundert auftreten sollten, kommen weitaus häufiger vor. Das Ignorieren der Kurtosis führt zur Unterschätzung von Risiken — eine Lehre aus vielen Finanzkrisen.

Praktische Anwendungen

Risikomanagement: Hohe Kurtosis bedeutet häufigere extreme Ergebnisse. VaR und andere Risikomaße, die Normalverteilung annehmen, können das tatsächliche Risiko bei hoher Kurtosis drastisch unterschätzen.

Qualitätskontrolle: Fertigungsdaten mit hoher Kurtosis deuten auf gelegentliche extreme Abweichungen vom Zielwert hin, selbst wenn die durchschnittliche Leistung akzeptabel ist. Dieses Muster kann auf Prozessinstabilität hinweisen, die untersucht werden sollte.

Datentransformation: Stark schiefe Daten können von einer Transformation (Logarithmus, Quadratwurzel) profitieren, bevor sie analysiert werden. Ziel ist oft die Annäherung an eine Normalverteilung für statistische Tests, die diese voraussetzen.

Statistische Tests: Viele Tests setzen Normalverteilung voraus. Signifikante Schiefe oder Kurtosis kann darauf hinweisen, dass diese Annahme verletzt ist, und die Verwendung nicht-parametrischer Alternativen oder robuster Methoden nahelegen.

Interpretationsrichtlinien

Normalitätstest: Der Jarque-Bera-Test kombiniert Schiefe und Kurtosis, um auf Normalverteilung zu testen. Er verwirft Normalität, wenn eine der beiden Kennzahlen signifikant von null abweicht.

Stichprobengrößenaspekte: Kleine Stichproben liefern unzuverlässige Schätzungen für Schiefe und Kurtosis. Bei n < 50 haben diese Statistiken eine hohe Stichprobenvariabilität. Bei n < 20 sind sie praktisch bedeutungslos.

Robustheit: Sowohl Schiefe als auch Kurtosis reagieren empfindlich auf Ausreißer. Ein einzelner Extremwert kann diese Kennzahlen drastisch beeinflussen. Visualisieren Sie daher Ihre Daten immer zusätzlich zu numerischen Zusammenfassungen.

← Lernzentrum