1
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 1 year has passed since last update.

scipy.stats: 尖度と歪度

Posted at

1. 尖度 kurtosis

kurtosis(a, axis=0, fisher=True, bias=True, nan_policy='propagate')

import numpy as np
from scipy.stats import kurtosis
x = [1.2, 3.1, 4.6, 2.2, 5.7]

1.1. Fisher の定義(正規分布のとき 0 になる)

kurtosis(x) # g2:後述
-1.3684571122281206

関数を使わずに計算すると以下のようになる。

from scipy.stats import zscore
np.mean(zscore(x)**4) - 3
-1.3684571122281206

1.2. Pearson の定義(正規分布のとき 3 になる) fisher=False

kurtosis(x, fisher=False)
1.6315428877718794

関数を使わずに計算すると以下のようになる。

from scipy.stats import zscore
np.mean(zscore(x)**4)
1.6315428877718794

1.3. 不偏推定量 bias=False

1.3.1. fisher=True

kurtosis(x, bias=False) # G2:後述
-1.4738284489124838

関数を使わずに計算すると以下のようになる。

n = len(x)
n*(n+1)*sum(zscore(x, ddof=1)**4)/(n-1)/(n-2)/(n-3) - 3*(n-1)**2/(n-2)/(n-3) 
-1.4738284489124807

1.3.2. fisher=False

kurtosis(x, fisher=False, bias=False)
1.5261715510875162

関数を使わずに計算すると以下のようになる。

n*(n+1)*sum(zscore(x,ddof=1)**4)/(n-1)/(n-2)/(n-3) - 3*(n-1)**2/(n-2)/(n-3) + 3
1.5261715510875193

1.4. 第 3 の定義 b2

R の e1071::kurtosis は以上の 2 種類の尖度の他に,第 3 の推定値も求めることができる。1

観察値 $x_i$,サンプルサイズ $n$,平均値 $\mu$,標準偏差 $s$ とおき,$r$ 次のモーメントを $m_r = \sum_i(x_i - \mu)^r\ /\ n$ としたとき,以下の 3 通りの定義がある。

  • $g_2 = m_4\ /\ m_2^2 - 3$
  • $G_2 = {(n+1)g_2 + 6} (n-1) \ /\ {(n-2)(n-3)}$
  • $b_2 = m_4\ /\ s^4 - 3 = (g_2 + 3)(1-1/n)^2 - 3$

$g_2$ は kurtosis(x) で求められる,多くの古い教科書に載っているものである。

$G_2$ は kurtosis(x, bias=False) で求められる,SAS や SPSS や Excel でも使われているものである。

$b_2$ は MINITAB, BMDP で使われているもので,e1071::kurtosis でも求めることができる。$g_2$ から求めることもできるが,np.mean(zscore(x, ddof=1)**4) - 3 でも計算できる(ddof=0 ならば $g_2$ になる)。

g2 = kurtosis(x)
G2 = ((n+1)*g2 + 6) * (n-1) / (n-2) / (n-3)
b2 = (g2 + 3)*(1-1/n)**2 - 3
print(g2, G2, b2)
print(np.mean(zscore(x, ddof=1)**4) - 3)
-1.3684571122281206 -1.4738284489124827 -1.955812551825997
-1.9558125518259968

R の moments::kurtosis(x)kurtosis(x, fisher=False) すなわち $m_4\ /\ m_2^2 = g_2+3$ を求める。


2. 尖度の検定 kurtosistest

kurtosistest(a, axis=0, nan_policy='propagate', alternative='two-sided')

$H_0:\text{尖度} = 0$2

$H_1:\text{尖度} \neq 0$

from scipy.stats import kurtosistest, norm, t
np.random.seed(123)

2.1. 例1.

正規乱数について,両側検定を行う

y = norm.rvs(loc=50, scale=10, size=25).round(1)
print(*y)
39.1 60.0 52.8 34.9 44.2 66.5 25.7 45.7 62.7 41.3 43.2 49.1 64.9 43.6 45.6 45.7 72.1 71.9 60.0 53.9 57.4 64.9 40.6 61.8 37.5
kurtosis(y)
-0.8826271976238784
z_value, p_value = kurtosistest(y)
(z_value, p_value)
(-1.032048194835839, 0.3020495406844782)

$p \gt 0.05$ なので,帰無仮説は棄却されない($p = 0.302$)。すなわち,正規分布からの標本でないとはいえない。

2.2. 例2.

自由度 1 の $t$ 分布すなわちコーシー分布からの乱数について,両側検定を行う。

z = t.rvs(df=1, loc=50, scale=10, size=25).round(1) # コーシー分布
print(*z)
34.6 47.7 35.7 54.1 46.1 44.3 57.8 70.2 88.0 50.3 61.7 21.9 108.7 671.3 87.3 64.7 44.6 40.6 48.8 64.7 17.8 39.9 -31.0 57.5 42.0
kurtosis(z)
18.137971157631473
z_value, p_value = kurtosistest(z)
(z_value, p_value)
(4.954534755281744, 7.250355695269661e-07)

$p \lt 0.05$ なので,帰無仮説は棄却される($p \lt 0.001$)。すなわち,正規分布からの標本ではないと結論する。


3. 歪度 skew

  • データの分布が正規分布にしたがうとき,歪度はほぼ 0 である。
  • 0 より大きいときは分布の重心が右にある(左の裾が長い)。
  • 0 より小さいときは分布の重心が左にある(右の裾が長い)。

skew(a, axis=0, bias=True, nan_policy='propagate')

import numpy as np
from scipy.stats import skew
x = [1.2, 3.1, 4.6, 2.2, 5.7]

3.1. 不偏ではない推定量

何のオプションも指定しないときは,古典的な定義による歪度を求める。

skew(x) # g1 後述
0.14460191499270095

関数を使わずに計算すると以下のようになる。

from scipy.stats import zscore
np.mean(zscore(x)**3)
0.14460191499270109

3.2. 不偏推定量

不偏推定量を求めるためには bias=False を指定する。Excel, SAS, SPSS が採用している方法である。

skew(x, bias=False) # G1 後述
0.2155598077335502

関数を使わずに計算すると以下のようになる。

n = len(x)
n*sum(zscore(x, ddof=1)**3)/(n-1)/(n-2)
0.2155598077335504

3.3. 第 3 の推定量

R の e1071::skewness は以上の 2 種類の歪度の他に,第 3 の推定値も求めることができる。1

観察値 $x_i$,サンプルサイズ $n$,平均値 $\mu$,標準偏差 $s$ とおき,$r$ 次のモーメントを $m_r = \sum_i(x_i - \mu)^r\ /\ n$ としたとき,以下の 3 通りの定義がある。

  • $g_1 = m_3\ /\ m_2^{3/2}$
  • $G_1 = g_1\sqrt{n\ (n-1)}\ /\ (n-2)$
  • $b_1 = m_3\ /\ s^3 = g_1\ {(n-1)\ /\ n}^{3/2}$

$g_1$ は kurtosis(x) で求められる,多くの古い教科書に載っているものである。

$G_1$ は kurtosis(x, bias=False) で求められる,SAS や SPSS や Excel でも使われているものである。

$b_1$ は MINITAB, BMDP で使われているもので,e1071::skewness でも求めることができる。$g_1$ から求めることもできるが,np.mean(zscore(x, ddof=1)**3) でも計算できる(ddof=0 ならば $g_1$ になる)。

g1 = skew(x)
G1 = g1 * np.sqrt(n*(n-1)) / (n-2)
b1 = g1*((n-1)/n)**(3/2)
print(g1, G1, b1)
print(np.mean(zscore(x, ddof=1)**3))
0.14460191499270095 0.2155598077335502 0.10346870771210412
0.10346870771210419

R の moments::skewness(x)skew(x) すなわち $m_3\ /\ m_2^{3/2} = g_1$ を求める。


4. 歪度の検定 skewtest

$H_0:\text{歪度} = 0$

$H_1:\text{歪度} \neq 0$

skewtest(a, axis=0, nan_policy='propagate', alternative='two-sided')

from scipy.stats import skewtest, norm, t
np.random.seed(123)

4.1. 例1.

正規乱数について,両側検定を行う。

y = norm.rvs(loc=50, scale=10, size=25).round(1)
print(*y)
39.1 60.0 52.8 34.9 44.2 66.5 25.7 45.7 62.7 41.3 43.2 49.1 64.9 43.6 45.6 45.7 72.1 71.9 60.0 53.9 57.4 64.9 40.6 61.8 37.5
skew(y)
-0.009096852799368121
z_value, p_value = skewtest(y)
(z_value, p_value)
(-0.022210278084285384, 0.982280218888247)

$p \gt 0.05$ なので,帰無仮説は棄却されない($p = 0.982$)。すなわち,正規分布からの標本でないとはいえない。

4.2. 例2.

自由度 1 の $t$ 分布すなわちコーシー分布からの乱数について,両側検定を行う。

z = t.rvs(df=1, loc=50, scale=10, size=25).round(1) # コーシー分布
print(*z)
34.6 47.7 35.7 54.1 46.1 44.3 57.8 70.2 88.0 50.3 61.7 21.9 108.7 671.3 87.3 64.7 44.6 40.6 48.8 64.7 17.8 39.9 -31.0 57.5 42.0
skew(z)
4.365811733349633
z_value, p_value = skewtest(z)
(z_value, p_value)
(5.825572775476851, 5.691704942463112e-09)

$p \lt 0.05$ なので,帰無仮説は棄却される($p \lt 0.001$)。すなわち,正規分布からの標本ではないと結論する。

  1. D. N. Joanes and C. A. Gill (1998), Comparing measures of sample skewness and kurtosis. The Statistician, 47, 183–189. 2

  2. fisher=True のとき

1
2
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
2

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?