Третий стандартизированный момент

Третий стандартизированный момент (также коэффициент асимметрии, асимметрия распределения, skewness) — это числовая характеристика формы вероятностного распределения или выборки, описывающая степень и направление его асимметрии относительно математического ожидания. В отличие от первых двух моментов (среднего и дисперсии), третий стандартизированный момент не измеряет положение или разброс, а отражает, насколько «скошено» распределение вправо или влево. Он является безразмерной величиной, что позволяет сравнивать асимметрию распределений, измеренных в разных единицах.

Определение и математическая формулировка

Для случайной величины \(X\) с математическим ожиданием \(\mu\) и стандартным отклонением \(\sigma\) третий стандартизированный момент \(\gamma_1\) определяется как:

\[ \gamma_1 = \mathbb{E}\left[\left(\frac{X - \mu}{\sigma}\right)^3\right] = \frac{\mu_3}{\sigma^3}, \]

где \(\mu_3 = \mathbb{E}[(X - \mu)^3]\) — третий центральный момент. Для выборки объёмом \(n\) эмпирический коэффициент асимметрии \(g_1\) вычисляется по формуле:

\[ g_1 = \frac{1}{n} \sum_{i=1}^n \left(\frac{x_i - \bar{x}}{s}\right)^3, \]

где \(\bar{x}\) — выборочное среднее, \(s\) — выборочное стандартное отклонение (часто с поправкой на смещение, например, \(s = \sqrt{\frac{1}{n-1}\sum (x_i - \bar{x})^2}\)). Для несмещённой оценки в малых выборках применяют корректировку:

\[ G_1 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^n \left(\frac{x_i - \bar{x}}{s}\right)^3. \]

Интерпретация значений

Значение третьего стандартизированного момента может быть положительным, отрицательным или нулевым:

• Нулевая асимметрия (\(\gamma_1 = 0\)). Распределение симметрично относительно среднего. Примеры: нормальное распределение, распределение Стьюдента с чётным числом степеней свободы, равномерное распределение.
• Положительная асимметрия (\(\gamma_1 > 0\)). Правосторонняя асимметрия: «хвост» распределения вытянут вправо, а основная масса значений сосредоточена слева от среднего. Медиана обычно меньше среднего. Примеры: экспоненциальное распределение, распределение Парето, логнормальное распределение.
• Отрицательная асимметрия (\(\gamma_1 < 0\)). Левосторонняя асимметрия: «хвост» вытянут влево, основная масса значений — справа от среднего. Медиана больше среднего. Примеры: бета-распределение с параметрами \(a > b\), распределение экстремальных значений (Гумбеля) для минимумов.

На практике абсолютное значение \(|\gamma_1|\) редко превышает 2—3; значения больше 1 считаются выраженной асимметрией.

Свойства

• Инвариантность к линейным преобразованиям с положительным масштабом: \(\gamma_1(aX + b) = \gamma_1(X)\) для \(a > 0\). При \(a < 0\) знак асимметрии меняется на противоположный.
• Ограниченность: для любого распределения с конечным третьим моментом выполняется неравенство \(|\gamma_1| \leq \sqrt{\beta_2 - 1}\), где \(\beta_2\) — эксцесс (четвёртый стандартизированный момент). Для распределений с конечной дисперсией асимметрия может быть сколь угодно большой, но не произвольной при фиксированном эксцессе.
• Связь с медианой и модой: для унимодальных распределений знак асимметрии часто совпадает с расположением моды относительно среднего: при положительной асимметрии мода < медиана < среднее, при отрицательной — наоборот. Однако это правило не универсально (например, для бимодальных распределений).

Оценка и статистическая значимость

Выборочный коэффициент асимметрии \(g_1\) является случайной величиной. Для проверки гипотезы о симметрии распределения (\(H_0: \gamma_1 = 0\)) используют статистику:

\[ z = \frac{g_1}{\sqrt{6/n}}, \]

где \(\sqrt{6/n}\) — стандартная ошибка асимметрии для нормального распределения. При больших \(n\) (обычно \(n > 100\)) распределение \(z\) приближается к стандартному нормальному. Если \(|z| > 1,96\) (для уровня значимости 0,05), нулевая гипотеза отвергается. Для малых выборок применяют более точные методы, например, бутстреп или тест Д'Агостино.

Применение

В статистике и анализе данных

• Проверка нормальности: значительная асимметрия (например, \(|\gamma_1| > 1\)) указывает на отклонение от нормального распределения, что важно для выбора статистических критериев (t-критерий, ANOVA требуют симметрии).
• Преобразование данных: для устранения асимметрии применяют логарифмическое, степенное (Бокса — Кокса) или обратное преобразование.
• Описательная статистика: асимметрия входит в стандартный набор характеристик формы распределения (наряду с эксцессом) в отчётах и визуализациях (гистограммы, ящики с усами).

В финансах и экономике

• Оценка рисков: положительная асимметрия доходности актива означает, что вероятны редкие, но крупные положительные отклонения (например, венчурные инвестиции). Отрицательная асимметрия (например, у опционов «пут») указывает на риск резких падений.
• Портфельная теория: инвесторы могут предпочитать активы с положительной асимметрией, так как они дают шанс на сверхдоходность. В модели CAPM асимметрия не учитывается, но в расширенных моделях (например, трёхфакторная модель Фамы — Френча) её включают как дополнительный фактор.
• Анализ макроэкономических рядов: асимметрия циклов деловой активности (рецессии обычно короче и резче, чем подъёмы) приводит к отрицательной асимметрии темпов роста ВВП.

В естественных науках

• Биология и медицина: распределение размеров организмов, концентраций веществ в крови часто имеет положительную асимметрию (много мелких значений, несколько крупных). Асимметрия используется для диагностики патологий (например, асимметрия распределения времени реакции при неврологических нарушениях).
• Геология и материаловедение: распределение размеров частиц в осадочных породах или порошках часто асимметрично; коэффициент асимметрии помогает классифицировать тип осадка (например, пляжные пески имеют меньшую асимметрию, чем речные).

В технических дисциплинах

• Контроль качества: асимметрия распределения отклонений размеров деталей от номинала может указывать на систематическую ошибку в настройке станка.
• Обработка сигналов: асимметрия распределения амплитуд шума используется для обнаружения нелинейных искажений или импульсных помех.

Примеры

• Экспоненциальное распределение с параметром \(\lambda\): \(\gamma_1 = 2\) (положительная асимметрия).
• Распределение Пуассона с параметром \(\lambda\): \(\gamma_1 = 1/\sqrt{\lambda}\). При малых \(\lambda\) асимметрия велика, при больших \(\lambda\) стремится к нулю.
• Распределение хи-квадрат с \(k\) степенями свободы: \(\gamma_1 = \sqrt{8/k}\). С ростом \(k\) асимметрия уменьшается.
• Нормальное распределение: \(\gamma_1 = 0\).
• Распределение Коши: третий момент не существует (распределение с тяжёлыми хвостами), поэтому асимметрия не определена.

Критика и ограничения

• Чувствительность к выбросам: третья степень в формуле делает коэффициент асимметрии крайне чувствительным к экстремальным значениям. Один выброс может существенно исказить оценку, особенно на малых выборках.
• Неопределённость для некоторых распределений: для распределений с бесконечным третьим моментом (например, распределение Парето с \(\alpha \leq 3\)) асимметрия формально не существует, хотя выборка может давать конечные значения.
• Альтернативные меры асимметрии: существуют более робастные показатели, например, квартильный коэффициент асимметрии (Боули) или асимметрия на основе моды и медианы (Пирсона). Они менее чувствительны к выбросам, но не столь широко распространены.
• Интерпретация в многомерных данных: третий стандартизированный момент определён только для одномерных распределений. Для многомерных случаев используют тензоры асимметрии или скалярные меры (например, асимметрию Мардиа).

История

Понятие асимметрии в статистике ввёл Карл Пирсон в конце XIX века. В работе 1895 года «Contributions to the Mathematical Theory of Evolution» он предложил коэффициент асимметрии \(\gamma_1\) как отношение третьего центрального момента к кубу стандартного отклонения. Пирсон также разработал семейство кривых (распределения Пирсона), в которых асимметрия и эксцесс служили параметрами для классификации форм распределений. Позднее, в 1920-х годах, Рональд Фишер развил теорию выборочных моментов и показал, что выборочная асимметрия асимптотически нормальна, что легло в основу статистических тестов.

Источники

• Пирсон К. Contributions to the Mathematical Theory of Evolution. — Philosophical Transactions of the Royal Society of London, 1895.
• Кендалл М., Стюарт А. Теория распределений. — М.: Наука, 1966.
• Хан Г., Шапиро С. Статистические модели в инженерных задачах. — М.: Мир, 1969.
• Joanes D. N., Gill C. A. Comparing measures of sample skewness and kurtosis. — Journal of the Royal Statistical Society: Series D, 1998.
• Д'Агостино Р. Б., Стивенс М. А. Goodness-of-Fit Techniques. — Marcel Dekker, 1986.