У меня есть два набора данных, которые примерно сосредоточены вокруг нуля, но я подозреваю, что у них разные хвосты. Я знаю несколько тестов для сравнения дистрибутива с нормальным дистрибутивом, но я бы хотел сравнить два этих дистрибутива.
Существует ли простой тест для сравнения жирности хвоста из 2 распределений ?
Спасибо,
Фред
hypothesis-testing
distributions
kurtosis
fat-tails
RockScience
источник
источник
Ответы:
Похоже, что этот вопрос относится к тому же семейству, что и предыдущий, относительно проверки того, имеют ли два образца одинаковый перекос , поэтому вы можете прочитать мой ответ на этот вопрос . Я считаю , что L-моменты будут полезны здесь по тем же причинам ( в частности , L-
перекосэксцесса в данном случае).источник
Построив порог, скажем, лямбда, мы можем проверить равенство двух средних или дисперсий двух распределений, ограниченных в хвостовой области (\ lambda, infinity), основываясь на двух наборах данных наблюдений, попадающих в эту хвостовую область. Конечно, два образца t-критерия или F-критерия могут быть в порядке, но не слишком эффективны, так как случайная величина, ограниченная в этой области хвоста, не является нормальной, даже оригинальной.
источник
Как насчет подбора обобщенного лямбда-распределения и доверительных интервалов начальной загрузки по 3-му и 4-му параметрам?
источник
Тест хи-квадрат (критерий соответствия) будет очень хорош при сравнении хвостов двух распределений, поскольку он структурирован для сравнения двух распределений по группам значений (графически представленных гистограммой). И, хвосты будут состоять в самых дальних ведрах.
Несмотря на то, что этот тест сфокусирован на всем распределении, а не только на хвосте, вы можете легко наблюдать, какая часть значения или дивергенции хи-квадрат определяется разницей в жирности хвостов.
Обратите внимание, что полученная гистограмма может фактически дать вам визуально гораздо больше информации о соответствующей жирности хвостов, чем любая статистическая значимость, связанная с тестами. Одно дело утверждать, что жирность хвостов статистически различна. Это другое, чтобы визуально наблюдать это. Они говорят, что картинка стоит тысячи слов. Иногда это также стоит тысячи чисел (это имеет смысл, учитывая, что графы инкапсулируют все числа).
источник