尖度

同義語:kurtosis

概要

尖度(kurtosis)とは、確率変数を平均 $0$、分散 $1$ に標準化した $Z$ について、4 乗の平均 $\kappa=\mathrm E[Z^4]$ のことで、正規分布では $3$ になり、$\kappa-3$ を超過尖度という。3 乗の平均 $\gamma=\mathrm E[Z^3]$ は歪度と呼ばれ、つねに $\kappa\ge1+\gamma^2$ が成り立つ。尖度は平均から標準偏差より遠い値の寄与でほぼ決まり、中央の尖り具合ではなく裾の重さを表す。標本歪度と標本尖度は漸近正規で、正規分布のもとでの漸近分散 $6/n$、$24/n$ から正規性の検定(Jarque–Bera 検定)が作られる。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 期待値, 分散, 正規分布

平均と分散が同じでも、分布の形は違いうる。平均からのずれを標準偏差で割って標準化し、その 3 乗と 4 乗の平均をとると、形の違いが数で表せる。3 乗の平均を 歪度(skewness)、4 乗の平均を 尖度(kurtosis)という。正規分布の尖度は $3$ で、そこからの差を 超過尖度 という。尖度は、平均から標準偏差の何倍も離れた値がどれだけ出やすいか(裾の重さ)を表す量で、名前に反して分布の中央の尖り方はほとんど反映しない。
尖度は 3 つの場面で使う。データの分布が正規分布に近いかを確かめるとき、分散の検定や信頼区間がどれだけ不正確になるかを見積もるとき(カイ二乗検定 の分散の検定の例)、金融の収益率のように裾の重い時系列を模型にするとき(ARCHモデル)である。この記事では、尖度と歪度を定義し、尖度の下限 $1+(\text{歪度})^2$、裾との関係、独立な和での振る舞いを示し、主定理として標本歪度と標本尖度の漸近正規性を証明する。そこから正規性の検定(Jarque–Bera 検定)の極限分布が従う。

定義と使える条件

歪度・尖度・超過尖度

$X$ を実数値の確率変数とし、$\mathrm E[X^4]< \infty$、$\sigma^2:=\operatorname{Var}X>0$ とする。$\mu:=\mathrm EX$、$Z:=(X-\mu)/\sigma$(標準化)とおく。

  1. $\gamma:=\mathrm E[Z^3]=\mathrm E[(X-\mu)^3]/\sigma^3$ を $X$ の 歪度 という。
  2. $\kappa:=\mathrm E[Z^4]=\mathrm E[(X-\mu)^4]/\sigma^4$ を $X$ の 尖度 という。
  3. $\kappa-3$ を 超過尖度 という。
  4. $c_4:=\mathrm E[(X-\mu)^4]-3\sigma^4=\sigma^4(\kappa-3)$ を 4 次のキュムラント という。

使える条件。

  • 歪度には $\mathrm E\lvert X\rvert^3< \infty$、尖度には $\mathrm E[X^4]< \infty$ が要る。t分布 の自由度 $4$ 以下のように、4 次の積率が無限大の分布には尖度がない。
  • 分散が $0$($X$ が定数)なら定義できない。
  • 標本から推定した値の誤差を評価するには、さらに高い次数の積率が要る(尖度なら 8 次、thm-kt-asymp)。
記号の流儀

この記事の $\kappa$(正規分布で $3$)は ARCHモデル と カイ二乗検定 の $\kappa$ と同じものである。独立成分分析 は平均 $0$ の変数の 4 次のキュムラント $\mathrm E[Y^4]-3(\mathrm E[Y^2])^2$ を「尖度」$\kappa(Y)$ と呼んでいて、この記事の $c_4$ にあたる。文献によっては超過尖度 $\kappa-3$ を単に尖度と呼び、また、尖度に $\beta_2$、超過尖度に $\gamma_2$ の記号を使う。数値を読むときは、正規分布の値が $3$ か $0$ かで流儀を確かめる。

公式の表

内容式条件根拠
1 次変換で不変$\kappa(aX+b)=\kappa(X)$、$\gamma(aX+b)=\operatorname{sgn}(a)\,\gamma(X)$$a\ne0$prop-kt-basic
尖度の下限$\kappa\ge1+\gamma^2\ (\ge1)$等号は 2 点分布prop-kt-basic
裾との関係$\kappa-1\le\mathrm E[Z^4;\ \lvert Z\rvert>1]\le\kappa$—lem-kt-tail
独立同分布の和超過尖度 $(\kappa-3)/n$、歪度 $\gamma/\sqrt n$$n$ 個の和prop-kt-sum
標本尖度の漸近分布$\sqrt n(g_2-(\kappa-3))\Rightarrow N(0,\operatorname{Var}B)$$\mathrm E[X^8]< \infty$thm-kt-asymp
正規分布のとき$\sqrt ng_1\Rightarrow N(0,6)$、$\sqrt ng_2\Rightarrow N(0,24)$、$\mathit{JB}\Rightarrow\chi^2_2$正規分布cor-kt-jb

基本的な性質

不変性と尖度の下限

$X$ を def-kt-def のとおりとする。

  1. $a\ne0$、$b$ を実数とすると $\kappa(aX+b)=\kappa(X)$、$\gamma(aX+b)=\operatorname{sgn}(a)\gamma(X)$ である。
  2. $\kappa-1=\operatorname{Var}(Z^2)\ge0$ である。等号は $X$ が $\mu\pm\sigma$ を確率 $\frac12$ ずつとるときに限る。
  3. $\kappa\ge1+\gamma^2$ である。等号は $X$ がちょうど 2 つの値をとるときに限る。
2 次式の 2 乗の平均が負でないこと

要点:3 は、実数 $a$ について $\mathrm E[(Z^2-aZ-1)^2]\ge0$ を展開し、$a=\gamma$ とおく。

詳しい証明を開く

1:$aX+b$ の標準化は $\operatorname{sgn}(a)Z$ である。

2:$\mathrm E[Z^2]=1$ なので $\operatorname{Var}(Z^2)=\mathrm E[Z^4]-1=\kappa-1$ である。$0$ になるのは $Z^2=1$(確率 $1$)、すなわち $Z=\pm1$ のときで、$\mathrm EZ=0$ から $\pm1$ の確率は $\frac12$ ずつである。

3:$\mathrm EZ=0$、$\mathrm EZ^2=1$ を使うと、実数 $a$ について

$$0\le\mathrm E[(Z^2-aZ-1)^2]=\kappa-2a\gamma+a^2-2+1=\kappa-1-\gamma^2+(a-\gamma)^2$$

である。$a=\gamma$ とおいて $\kappa\ge1+\gamma^2$ を得る。等号は $Z^2-\gamma Z-1=0$(確率 $1$)のときで、$Z$ は 2 次方程式 $z^2-\gamma z-1=0$ の 2 つの実根のどちらかの値をとる。$\sigma>0$ なので $X$ はちょうど 2 つの値をとる。逆に $Z$ が 2 つの値 $z_1\ne z_2$ だけをとるなら、$(Z-z_1)(Z-z_2)=0$ の期待値から $1+z_1z_2=0$ で、$a:=z_1+z_2$ について $Z^2-aZ-1=0$ である。上の式の右辺が $a$ で $0$ になるので、$a=\gamma$ かつ $\kappa=1+\gamma^2$ である。$\square$

尖度は裾で決まる

$\kappa-1\le\mathrm E[Z^4;\ \lvert Z\rvert>1]\le\kappa$ である。ここで $\mathrm E[Z^4;\ \lvert Z\rvert>1]:=\mathrm E[Z^4\mathbf 1\{\lvert Z\rvert>1\}]$ である。

$\lvert Z\rvert\le1$ の上では $0\le Z^4\le1$ なので $0\le\mathrm E[Z^4;\ \lvert Z\rvert\le1]\le1$ である。$\kappa$ からこれを引いたものが $\mathrm E[Z^4;\ \lvert Z\rvert>1]$ である。$\square$

標準偏差 $1$ つ分の内側(分布の中央)が尖度に寄与する量は、どんな分布でも $1$ 以下である。尖度が大きいことは、平均から標準偏差より遠い値の 4 乗の平均が大きいこと、すなわち裾が重いことと同じである(ex-kt-shape)。

独立な和での歪度と尖度

$X_1,\ldots,X_n$ を独立同分布で $\mathrm E[X_1^4]< \infty$、$\operatorname{Var}X_1>0$ とし、歪度を $\gamma$、尖度を $\kappa$ とする。和 $S_n:=X_1+\cdots+X_n$ の歪度は $\gamma/\sqrt n$、超過尖度は $(\kappa-3)/n$ である。

キュムラントが和で足し合わさる

1 次変換で不変なので、$\mathrm EX_1=0$、$\operatorname{Var}X_1=1$ としてよい。$\operatorname{Var}S_n=n$ である。独立で平均 $0$ の $U,V$ について $\mathrm E[(U+V)^3]=\mathrm E[U^3]+\mathrm E[V^3]$(交差項は $3\mathrm E[U^2]\mathrm E[V]=0$ などで消える)なので、$\mathrm E[S_n^3]=n\gamma$、歪度は $n\gamma/n^{3/2}=\gamma/\sqrt n$ である。独立成分分析 の補題「尖度の加法性」を $a=b=1$ で繰り返し使うと、4 次のキュムラントは $c_4(S_n)=n\,c_4(X_1)=n(\kappa-3)$ で、超過尖度は $c_4(S_n)/(\operatorname{Var}S_n)^2=(\kappa-3)/n$ である。$\square$

標本平均の分布が正規分布に近づく速さ(中心極限定理)は、歪度と超過尖度がこのように $0$ に近づくことにも表れている。

主な分布の値

分布歪度 $\gamma$尖度 $\kappa$超過尖度 $\kappa-3$
正規分布$0$$3$$0$
一様分布(区間)$0$$9/5$$-6/5$
Laplace 分布(密度 $\frac12e^{-\lvert x\rvert}$)$0$$6$$3$
指数分布$2$$9$$6$
ガンマ分布(形状母数 $k$)$2/\sqrt k$$3+6/k$$6/k$
カイ二乗分布(自由度 $k$)$\sqrt{8/k}$$3+12/k$$12/k$
Poisson分布(平均 $\lambda$)$1/\sqrt\lambda$$3+1/\lambda$$1/\lambda$
Bernoulli分布($p$、$q=1-p$)$(q-p)/\sqrt{pq}$$(1-3pq)/(pq)$$(1-6pq)/(pq)$
t分布(自由度 $\nu>4$)$0$$3+6/(\nu-4)$$6/(\nu-4)$
表の値の計算

要点:対称な分布は歪度 $0$ で、尖度は 2 次と 4 次の積率の比である。ガンマ分布と Poisson 分布はキュムラント母関数から読む。

計算を開く

一様分布:$[-1,1]$ で $\mathrm EX^2=\frac13$、$\mathrm EX^4=\frac15$ なので $\kappa=\frac15\big/\frac19=\frac95$。Laplace 分布:$\mathrm EX^2=\int_0^\infty x^2e^{-x}dx=2$、$\mathrm EX^4=4!=24$ なので $\kappa=24/4=6$。

キュムラント:$M(t):=\mathrm E[e^{tX}]$ が $0$ の近くで有限なとき、$K(t):=\log M(t)$ の $r$ 階微分係数 $K^{(r)}(0)$ を $r$ 次のキュムラントという。$X+b$ では $K$ に $bt$ が足されるだけなので、2 次以上は平均を $0$ として計算してよい。$M(t)=1+\frac{\sigma^2}2t^2+\frac{\mu_3}6t^3+\frac{\mu_4}{24}t^4+o(t^4)$($\mu_r:=\mathrm E[(X-\mu)^r]$)を $\log(1+u)=u-\frac{u^2}2+\cdots$ に入れると $K(t)=\frac{\sigma^2}2t^2+\frac{\mu_3}6t^3+\bigl(\frac{\mu_4}{24}-\frac{\sigma^4}8\bigr)t^4+o(t^4)$ で、3 次は $\mu_3$、4 次は $\mu_4-3\sigma^4=c_4$ である。独立な和では $M$ が積、$K$ が和になるので、キュムラントは足し合わさる。

ガンマ分布:形状 $k$、尺度 $\theta$ では $K(t)=-k\log(1-\theta t)$ で、$r$ 次のキュムラントは $k(r-1)!\,\theta^r$ である。$\sigma^2=k\theta^2$、$\mu_3=2k\theta^3$、$c_4=6k\theta^4$ なので $\gamma=2/\sqrt k$、$\kappa-3=6/k$。指数分布は $k=1$、自由度 $k$ のカイ二乗分布は形状 $k/2$ の場合である。Poisson 分布:$K(t)=\lambda(e^t-1)$ でキュムラントはすべて $\lambda$ なので、$\gamma=\lambda/\lambda^{3/2}$、$\kappa-3=\lambda/\lambda^2$。

Bernoulli 分布:$\mathrm E[(X-p)^3]=q(-p)^3+pq^3=pq(q-p)$、$\mathrm E[(X-p)^4]=qp^4+pq^4=pq(p^3+q^3)=pq(1-3pq)$ を $\sigma^2=pq$ で割る。t 分布:$T=Z/\sqrt{V/\nu}$($Z\sim N(0,1)$、$V\sim\chi^2_\nu$ が独立)で、$\mathrm E[V^{-1}]=\frac1{\nu-2}$、$\mathrm E[V^{-2}]=\frac1{(\nu-2)(\nu-4)}$ から $\operatorname{Var}T=\frac\nu{\nu-2}$、$\mathrm ET^4=\frac{3\nu^2}{(\nu-2)(\nu-4)}$ なので $\kappa=\frac{3(\nu-2)}{\nu-4}=3+\frac6{\nu-4}$。

Bernoulli 分布は 2 点分布なので、prop-kt-basic の 3 の等号 $\kappa=1+\gamma^2$ が成り立つ($1+\frac{(q-p)^2}{pq}=\frac{1-3pq}{pq}$)。ガンマ分布で $k\to\infty$、Poisson 分布で $\lambda\to\infty$ とすると歪度と超過尖度が $0$ に近づくのは、prop-kt-sum の現れである($k$ が整数なら、形状 $k$ のガンマ分布は指数分布 $k$ 個の和)。

主定理:標本歪度と標本尖度の漸近正規性

$X_1,\ldots,X_n$ を独立同分布の標本とし、$\bar X$ を標本平均、$m_r:=\frac1n\sum_{i=1}^n(X_i-\bar X)^r$ を標本の $r$ 次の中心積率とする。
$$ g_1:=\frac{m_3}{m_2^{3/2}},\qquad g_2:=\frac{m_4}{m_2^2}-3 $$
をそれぞれ 標本歪度、標本超過尖度 という($m_2>0$ のとき)。

標本歪度と標本尖度の漸近正規性

$\mathrm E[X_1^8]< \infty$、$\sigma^2:=\operatorname{Var}X_1>0$ とし、$\gamma,\kappa$ を $X_1$ の歪度と尖度、$Z:=(X_1-\mathrm EX_1)/\sigma$ とする。$n\to\infty$ のとき
$$ \sqrt n\,\bigl(g_1-\gamma,\ g_2-(\kappa-3)\bigr)\ \text{の分布は}\ N_2(0,\Sigma)\ \text{に収束する。} $$
ここで $\Sigma$ は、$A:=Z^3-\frac32\gamma Z^2-3Z$、$B:=Z^4-2\kappa Z^2-4\gamma Z$ の 共分散行列 である。とくに $\sqrt n(g_2-(\kappa-3))$ は $N(0,\operatorname{Var}B)$ に分布収束する。

標本積率の平均に中心極限定理とデルタ法を当てる

標準化してよい。 $X_i$ を $aX_i+b$($a>0$)に替えても $m_r$ は $a^r$ 倍になるだけなので、$g_1,g_2$ は変わらない。そこで $X_i=Z_i$($\mathrm EZ_i=0$、$\mathrm EZ_i^2=1$、$\mathrm EZ_i^3=\gamma$、$\mathrm EZ_i^4=\kappa$)としてよい。
生の積率で書く。 $a_r:=\frac1n\sum_iZ_i^r$($r=1,2,3,4$)とおき、$\bar a:=(a_1,a_2,a_3,a_4)$ とする。二項展開により
$$ m_2=a_2-a_1^2,\quad m_3=a_3-3a_1a_2+2a_1^3,\quad m_4=a_4-4a_1a_3+6a_1^2a_2-3a_1^4 $$
である。よって $(g_1,g_2)=\tau(\bar a)$ と書ける。ここで $\tau(a):=\bigl(m_3m_2^{-3/2},\ m_4m_2^{-2}-3\bigr)$ は $m_2>0$ となる開集合の上で滑らかで、$\theta_0:=(0,1,\gamma,\kappa)$ で $\tau(\theta_0)=(\gamma,\kappa-3)$ である。
中心極限定理。 $\xi_i:=(Z_i,Z_i^2,Z_i^3,Z_i^4)$ は独立同分布で、平均 $\theta_0$、成分は 2 乗可積分($\mathrm EZ^8< \infty$ による)である。その共分散行列を $W$ とすると、多次元の中心極限定理(Dur19 Theorem 3.10.7、p. 200。点推定 でも使われている)により $\sqrt n(\bar a-\theta_0)$ の分布は $N_4(0,W)$ に収束する。
微分する。 $\theta_0$ で $m_2=1$、$m_3=\gamma$、$m_4=\kappa$ であり、偏微分は
$$ dm_2=da_2,\qquad dm_3=-3\,da_1+da_3,\qquad dm_4=-4\gamma\,da_1+da_4 $$
である($a_1=0$ で消える項を落とした)。よって
$$ d\Bigl(\frac{m_3}{m_2^{3/2}}\Bigr)=dm_3-\frac32\gamma\,dm_2=-3\,da_1-\frac32\gamma\,da_2+da_3,\qquad d\Bigl(\frac{m_4}{m_2^2}\Bigr)=dm_4-2\kappa\,dm_2=-4\gamma\,da_1-2\kappa\,da_2+da_4 $$
で、$\tau$ の Jacobi 行列 $D$ の行は $(-3,-\frac32\gamma,1,0)$ と $(-4\gamma,-2\kappa,0,1)$ である。
デルタ法。 点推定 の定理「デルタ法」により、$\sqrt n(\tau(\bar a)-\tau(\theta_0))$ の分布は $N_2(0,DWD^\top)$ に収束する。$D\xi_1=(A,B)$ であり、$W=\operatorname{Cov}(\xi_1)$ なので $DWD^\top=\operatorname{Cov}\bigl((A,B)\bigr)=\Sigma$ である。$\square$

正規分布の場合と Jarque–Bera 統計量

$X_1$ が正規分布に従うとき、$\Sigma=\begin{pmatrix}6&0\\0&24\end{pmatrix}$ である。したがって
$$ \mathit{JB}:=n\Bigl(\frac{g_1^2}6+\frac{g_2^2}{24}\Bigr) $$
は自由度 $2$ の カイ二乗分布 に分布収束する。

$Z\sim N(0,1)$ では $\gamma=0$、$\kappa=3$、$\mathrm EZ^4=3$、$\mathrm EZ^6=15$、$\mathrm EZ^8=105$ で、奇数次の積率は $0$ である。$A=Z^3-3Z$、$B=Z^4-6Z^2$ で
$$ \operatorname{Var}A=15-18+9=6,\qquad\operatorname{Var}B=105-12\cdot15+36\cdot3-(3-6)^2=24 $$
であり、$AB$ は $Z$ の奇数次の多項式なので $\operatorname{Cov}(A,B)=0$ である。定理により $Y_n:=\sqrt n(g_1/\sqrt6,\ g_2/\sqrt{24})$ は $N_2(0,I_2)$ に分布収束する。有界連続関数 $h\colon\mathbb R\to\mathbb R$ について $y\mapsto h(\lvert y\rvert^2)$ は $\mathbb R^2$ の上の有界連続関数なので、分布収束の定義から $\mathrm E[h(\mathit{JB})]=\mathrm E[h(\lvert Y_n\rvert^2)]\to\mathrm E[h(Z_1^2+Z_2^2)]$ である($Z_1,Z_2$ は独立な標準正規変数)。$Z_1^2+Z_2^2$ は自由度 $2$ のカイ二乗分布に従う。$\square$

$\chi^2_2$ は平均 $2$ の指数分布なので、$P(\chi^2_2>x)=e^{-x/2}$ で、上側 $5\%$ 点は $2\log20\approx5.991$ である。$\mathit{JB}$ がこれを超えたら有意水準 $5\%$ で「正規分布である」という仮説を棄却する検定を Jarque–Bera 検定 という。標本歪度・標本尖度で正規性を点検することは ER10 の §9.1(p. 483)にもある。統計的仮説検定 の言葉では、この検定の大きさは $n\to\infty$ で $5\%$ に近づく。

計算の手順

  1. 標本平均 $\bar X$ と偏差 $X_i-\bar X$ を求める。
  2. 偏差の 2 乗・3 乗・4 乗の平均 $m_2,m_3,m_4$ を求める($n-1$ でなく $n$ で割る)。
  3. $g_1=m_3/m_2^{3/2}$、$g_2=m_4/m_2^2-3$ を求める。
  4. 正規分布の仮説のもとでの標準誤差の目安は $g_1$ が $\sqrt{6/n}$、$g_2$ が $\sqrt{24/n}$ である(cor-kt-jb)。
  5. 正規性を検定するなら $\mathit{JB}=n(g_1^2/6+g_2^2/24)$ を $5.991$ と比べる。
    標本の大きさで補正した式(不偏性に近づける係数を掛けたもの)を使う流儀もあり、$n$ が小さいと値が違う。どの式で計算した値かを確かめてから比べる。

例題

まれな事象の指示関数

$p=0.1$ とする。$pq=0.09$ なので、歪度は $0.8/0.3\approx2.667$、尖度は $(1-0.27)/0.09\approx8.111$、超過尖度は約 $5.111$ である。$1+\gamma^2=1+7.111=8.111$ で、prop-kt-basic の下限に一致する。まれにしか起きない事象の指示関数は、2 つの値しかとらなくても尖度が大きい。

一様乱数 12 個の和

$[0,1]$ の一様乱数 $U_1,\ldots,U_{12}$ の和から $6$ を引いたものは、平均 $0$、分散 $12\cdot\frac1{12}=1$ である。prop-kt-sum により、歪度は $0$、超過尖度は $-\frac65/12=-0.1$ である。正規分布の近似として使われることがあるが、裾は正規分布より軽い(値は $[-6,6]$ に収まる)。

小さな標本

データ $1,2,3,4,10$ では $\bar X=4$、偏差は $-3,-2,-1,0,6$ で、$m_2=50/5=10$、$m_3=180/5=36$、$m_4=1394/5=278.8$ である。$g_1=36/10^{3/2}\approx1.138$、$g_2=278.8/100-3=-0.212$ である。外れ値 $10$ のために右に歪んでいるが、標本超過尖度は負である。外れ値は $m_4$ と同時に $m_2$ も押し上げるので、$m_4/m_2^2$ は大きくなれない。実際、偏差 $d_i:=X_i-\bar X$ は $\sum_jd_j=0$ を満たすので $d_i^2=(\sum_{j\ne i}d_j)^2\le(n-1)\sum_{j\ne i}d_j^2=(n-1)(nm_2-d_i^2)$ なので、$d_i^2\le(n-1)m_2$ で、$m_4\le\max_id_i^2\cdot m_2\le(n-1)m_2^2$ となる。よって $g_2\le n-4$ で、$n=5$ では $g_2\le1$ である。小さな標本の $g_2$ から裾の重さを判断するのは危うい。

Jarque–Bera 検定

$n=100$ の標本で $g_1=0.5$、$g_2=1.2$ だったとする。$\mathit{JB}=100\,(0.25/6+1.44/24)=100\,(0.04167+0.06)\approx10.17>5.991$ なので、有意水準 $5\%$ で正規性を棄却する。漸近的な $p$ 値は $e^{-10.17/2}\approx0.0062$ である。正規分布から $n=2000$ の標本を $2000$ 回とって同じ検定をした模擬実験では、棄却の割合は $0.0525$ で、名目の $5\%$ に近かった。

使える条件と反例

外す条件反例成り立たなくなること
4 次の積率が有限自由度 $4$ の t分布$\mathrm E[X^4]=\infty$ で尖度が定義されない
8 次の積率が有限(thm-kt-asymp)自由度 $6$ の t 分布尖度は $6$ だが $\operatorname{Var}(Z^4)=\infty$ で、漸近分散 $\operatorname{Var}B$ が無限大になり定理が使えない
正規分布である(cor-kt-jb)$\pm\sqrt3$ を確率 $\frac16$ ずつ、$0$ を確率 $\frac23$ でとる分布歪度 $0$、尖度 $3$ で正規分布と同じ値なのに正規分布でない。$\mathit{JB}$ の極限は $\chi^2_2$ でなく、検定は正規分布でないことをほとんど検出しない
表の確かめ
  1. 自由度 $\nu$ の t 分布の密度は $\lvert x\rvert^{-(\nu+1)}$ の速さで減るので、$\mathrm E\lvert T\rvert^r< \infty$ となるのは $r< \nu$ のときだけである。$\nu=4$ では 4 次の積率が無限大である。
  2. $\nu=6$ では 4 次の積率は有限で、表の式から $\kappa=3+6/2=6$ である。8 次の積率は無限大なので $\operatorname{Var}(Z^4)=\infty$ で、$B=Z^4-2\kappa Z^2$ の $Z^4$ 以外の項は分散が有限だから $\operatorname{Var}B=\infty$ である。
  3. $Z^2$ は $3$ と $0$ を確率 $\frac13$、$\frac23$ でとるので $\mathrm EZ^2=1$、$\mathrm EZ^4=3$、対称性から $\gamma=0$ である。$z\in\{0,\pm\sqrt3\}$ では $z^3-3z=0$ なので $A=0$ で、$\sqrt ng_1\to0$ である。$B=Z^4-6Z^2$ は $-9$(確率 $\frac13$)と $0$ をとり、$\operatorname{Var}B=27-9=18$ である。よって $\mathit{JB}$ の極限は $\frac{18}{24}\chi^2_1$ で、棄却する確率は $P(\chi^2_1>5.991/0.75)\approx0.0047$ に近づく。正規分布のときの $5\%$ よりも小さい。

よくある誤り

誤り正しくは
尖度は分布の中央の尖り具合を表す中央の寄与は $1$ 以下で、尖度は裾の重さで決まる(lem-kt-tail、ex-kt-shape)
歪度 $0$、超過尖度 $0$ なら正規分布3 点分布の反例がある。積率 2 つでは分布は決まらない
尖度が負の分布がある尖度 $\kappa$ は $1$ 以上である。負になりうるのは超過尖度 $\kappa-3$ で、その下限は $-2$
尖度 $3$ を基準にした値と $0$ を基準にした値を比べる流儀を揃えてから比べる(rem-kt-notation)
標本尖度は小さな標本でも裾の重さをよく表す標準誤差の目安は $\sqrt{24/n}$ で、$n=100$ でも約 $0.49$ ある
尖りと尖度は別もの
  1. 中央が平らでも尖度が大きい。 確率 $0.99$ で $[-1,1]$ の一様分布、確率 $0.005$ ずつで $\pm10$ をとる $Y$ では、$\mathrm EY^2=0.99/3+0.01\cdot100=1.33$、$\mathrm EY^4=0.99/5+0.01\cdot10^4=100.198$ で、尖度は約 $56.6$ である。中央の密度は平らなままである。
  2. 中央が鋭く尖っていても尖度が小さい。 $\frac12N(0,s^2)+\frac14N(1,s^2)+\frac14N(-1,s^2)$ の混合では、$\mathrm EX^2=s^2+\frac12$、$\mathrm EX^4=\frac32s^4+\frac12(1+6s^2+3s^4)$ である。$s=0.01$ で $0$ での密度は約 $20$ と非常に高いが、尖度は約 $2.0004$ で、$s\to0$ で $2$ に近づき、正規分布の $3$ より小さい。

補足

使われる場面と注意
  • 分散の検定(カイ二乗検定 の例)は正規分布の尖度 $3$ を前提にしており、尖度が $\kappa$ なら $\sqrt n(S^2-\sigma^2)$ の漸近分散は $(\kappa-1)\sigma^4$ になる。尖度が大きいと大きさが名目より大きくなる。
  • ARCHモデル では、条件付き分散が変動するため、誤差 $\eta_t$ が正規分布でも、ARCH(1) で係数が正なら観測値の尖度は $3$ より大きくなる(同記事の命題「4 次のモーメントと尖度」)。
  • 独立成分分析 では、独立な成分の和は 4 次のキュムラントが混ざって正規分布に近づくことを逆手にとり、$c_4$ の絶対値を大きくする方向を探して成分を取り出す。
  • 超過尖度の下限 $-2$ は 2 点分布 $\pm1$(確率 $\frac12$ ずつ)でだけ達せられる(prop-kt-basic の 2)。

関連項目

参考文献

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する