stata峰度偏态峰度变异系数命令
Stata是一种常用的统计软件，它提供了许多用于描述和分析数据的命令。峰度、偏态和变异系数是用来度量数据分布特征的统计指标。在本文中，我们将探讨Stata中如何计算和解释这些指标。
首先，让我们来了解一下峰度。峰度是一个衡量数据分布形态的指标，它反映了数据分布图形在峰值附近是尖锐还是平坦。峰度的计算可以通过一些统计命令来完成，其中最常用的是kurtosis命令。这个命令可以计算变量的峰度值。
例如，假设我们有一个名为“income”的变量，它代表了人们的收入水平。我们可以使用以下命令来计算“income”的峰度：
kurtosis income
Stata将输出一个数值，代表了变量的峰度值。如果结果为正值，表示数据分布比正态分布更陡峭，而负值则表示数据分布比正态分布更平坦。这个数值的绝对值越大，数据分布的形态差异就越显著。
接下来，我们将讨论偏态。偏态是描述数据分布对称性的指标，它反映了数据分布的“偏斜”程度。正偏态表示数据分布偏向右侧，负偏态表示数据分布偏向左侧。在Stata中，我们可以使用skewness命令来计算偏态。
同样以“income”变量为例，我们可以使用以下命令计算其偏态：
skewness income
Stata将输出一个数值，代表了变量的偏态值。与峰度类似，正值表示正偏态，负值表示负偏态。这个数值的绝对值越大，数据分布的偏斜程度就越大。
最后，我们将研究变异系数。变异系数是度量数据离散程度的指标，它可以帮助我们了解数据的稳定性和一致性。在Stata中，可以使用返回结果reserve方式
以“income”变量为例，我们可以使用以下命令计算其变异系数：
su income, detail
在结果中，我们将看到一个称为“coef of variation”的数值，它代表了变量的变异系数。变异系数是标准差的百分比，它提供了标准差相对于均值的度量。数值越大，表示数据的波动性越高，反之，数值越小则表示数据的稳定性越高。
偏度和峰度说明了什么
偏度说明了通过对偏度系数的测量，我们能够判定数据分布的不对称程度以及方向。峰度说明了通过对峰度系数的测量，我们能够判定数据分布相对于正态分布而言是更陡峭还是平缓。
偏度简介：
偏度，是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。偏度亦称偏态、偏态系数。
表征概率分布密度曲线相对于平均值不对称程度的特征数。直观看来就是密度函数曲线尾部的相对长度。
峰度简介：
峰度又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来，峰度反映了峰部的尖度。样本的峰度是和正态分布相比较而言统计量，如果峰度大于三，峰的形状比较尖，比正态分布峰要陡峭。反之亦然。
在统计学中，峰度衡量实数随机变量概率分布的峰态。峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的。
数据的蜂度和偏度
之前笔者在做⼀个⾦融数据项⽬时，有朋友问我，衡量股票收益率有没有什么好的⽅法。这个问题让笔者也思索了好久，其实股票的收益率
如果我们从本质来看不就是数据吗，⽆⾮就是收益率我们就想让其越⾼越好，也就是让这个数据增加得越多越好。⽽衡量数据我们经常⽤到
的⽅法有均值、⽅差、偏度和峰度。均值和⽅差是我们见到和⽤到最多的⽅法，甚⾄在中学课本⾥都有提及，那么笔者今天就讲⼀下偏度和
峰度这两个⼤家不太常⽤的⽅法，并结合python代码讲⼀下偏度和峰度在数据分析中的简单应⽤。
⾸先还是介绍⼀下偏度和峰度的概念。
图1. 偏度和峰度公式
偏度（skewness）⼜称偏态、偏态系数，是描述数据分布偏斜⽅向和程度的度量，其是衡量数据分布⾮对称程度的数字特征。对于随机变
量X，其偏度是样本的三阶标准化矩，计算公式如图1中的式（1）所⽰。
偏度的衡量是相对于正态分布来说，正态分布的偏度为0。因此我们说，若数据分布是对称的，偏度为0；若偏度>0，则可认为分布为右偏，
也叫正偏，即分布有⼀条长尾在右；若偏度<0，则可认为分布为左偏，也叫负偏，即分布有⼀条长尾在左。正偏和负偏如图2所⽰，在图2
中，左边的就是正偏，右边的是负偏。
图2. 偏度的⽰意图
⽽峰度（Kurtosis）则是描述数据分布陡峭或平滑的统计量，通过对峰度的计算，我们能够判定数据分布相对于正态分布⽽⾔是更陡峭还是
平缓。对于随机变量X，其峰度为样本的四阶标准中⼼矩，计算公式如图1中的式2所⽰。
当峰度系数>0，从形态上看，它相⽐于正态分布要更陡峭或尾部更厚；⽽峰度系数<0，从形态上看，则它相⽐于正态分布更平缓或尾部更
薄。在实际环境当中，如果⼀个分部是厚尾的，这个分布往往⽐正态分布的尾部具有更⼤的“质量”，即含⼜更多的极端值。我们常⽤的⼏个
分布中，正态分布的峰度为0，均匀分布的峰度为-1.2，指数分布的峰度为6。
峰度的⽰意图如图3所⽰，其中第⼀个⼦图就是峰度为0的情况，第⼆个⼦图是峰度⼤于0的情况，第三个则是峰度⼩于0。
峰度 偏度
偏度，skewness，是研究数据分布对称的统计量。通过对偏度系数的测量，我们能够判定数据分布的不对称程度以及方向。峰度，kurtosis，是研究数据分布陡峭或平滑的统计量。通过对峰度系数的测量，我们能够判定数据分布相对于正态分布而言是更陡峭还是平缓。
表征概率密度分布曲线在平均值处峰值高低的特征数。峰度反映了峰部的尖度。样本的峰度是和正态分布相比较而言统计量，如果峰度大于三，峰的形状比较尖，比正态分布峰要陡峭，反之亦然。
在统计学中，峰度（kurtosis）来衡量实数随机变量概率分布的峰态。峰度低就意味著方差减小就是由高频度的大于或大于平均值的极端差值引发的。
偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。
峰度（peakedness;kurtosis）又称峰态系数。表观概率密度原产曲线在平均值处峰值多寡的特征数。直观认为，峰度充分反映了峰部的尖度。样本的峰度就是和正态分布相比较而言统计数据量，如果峰度大于三，峰的形状比较细长，比正态分布峰必须平缓。反之亦然。
在统计学中，峰度（kurtosis）衡量实数随机变量概率分布的峰态。峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的。
峰度以bk则表示，xi就是样本测量值，xbar就是样本n次测量值的平均值，s为样本标准差。正态分布的峰度为3。以一般而言，正态分布为参考，峰度可以叙述原产形态的陡缓程度，若bk3，则表示原产具备过度的峰度。若晓得原产有可能在峰度上偏移正态分布时，需用峰度去检验原产的正态性。
根据均值不等式，可以确定出峰度（系数）的取值范围：它的下限不会低于1，上限不会高于数据的个数。有一些典型分布的峰度（系数）值得特别关注。例如，正态分布的峰度（系数）为常数3，均匀分布的峰度（系数）为常数1.8。在统计实践中，我们经常把这两个典型的分布曲线作为评价样本数据序列分布性态的参照。设若先将数据标准化，则峰度（系数）相当于标准化数据序列的四阶中心矩。所以，在相同的标准差下，峰度系数越大，分布就有更多的极端值，那么其余值必然要更加集中在众数周围，其分布必然就更加陡峭。
