偏度与峰度：超越标准差 | Standard Deviation Calculator

超越均值与标准差

均值和标准差分别描述了数据的中心和离散程度，而偏度和峰度则描述了分布的形状——不对称性和尾部厚度。

在统计学中，我们用“矩”来描述分布——通过数学概括来捕捉形状的不同方面：

两个分布可以有完全相同的均值和标准差，但看起来截然不同。偏度和峰度捕捉的正是这些差异，提供对数据分布更完整的认识。

偏度衡量分布的不对称程度。正偏度意味着右尾较长（如收入分布），负偏度意味着左尾较长。

样本偏度

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

常见的右偏数据

许多现实世界的现象呈右偏态：收入、财富、公司规模、城市人口、保险索赔和等待时间。在这些情况下，均值被极端值拉高，中位数才是“典型”水平的更好衡量指标。

解读指南：

峰度衡量的是与正态分布相比，分布尾部的厚度。高峰度意味着更多的极端值（厚尾），低峰度意味着更少的极端值。

一个常见误解是峰度衡量的是“尖峰程度”。虽然有关联，但峰度本质上衡量的是尾部。高峰度分布在尾部和峰值处有更多的概率质量，但在“肩部”区域较少。

超额峰度

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

金融中的厚尾

金融收益以高峰度（“厚尾”）著称。基于正态分布假设应该百年一遇的事件实际上发生得频繁得多。忽视峰度会导致风险被严重低估——许多金融危机的教训正是如此。

风险管理：高峰度意味着极端结果出现得更频繁。假设正态分布的 VaR 和其他风险指标在峰度较高时可能严重低估真实风险。

质量控制：制造数据如果具有高峰度，说明即使平均表现达标，偶尔也会出现严重偏离目标的情况。这种模式可能暗示过程不稳定，需要调查。

数据变换：高度偏态的数据可以在分析前进行变换（对数、平方根）。目标通常是使数据近似正态分布，以满足那些假设正态性的统计检验。

统计检验：许多检验假设数据服从正态分布。显著的偏度或峰度可能说明该假设被违反，建议使用非参数方法或稳健方法。

正态性检验：Jarque-Bera 检验结合偏度和峰度来检验正态性。当任一指标显著偏离零时，就拒绝正态性假设。

样本量的影响：小样本产生的偏度和峰度估计不可靠。n < 50 时，这些统计量有很大的抽样变异性。n < 20 时，它们基本没有参考意义。

稳健性：偏度和峰度都对异常值非常敏感。一个极端值就能大幅改变这些统计量，因此在查看数值结果的同时，务必对数据进行可视化。