Schiefe-Rechner

Was ist Schiefe?

Die Schiefe misst die Asymmetrie einer Verteilung. Eine symmetrische Verteilung hat eine Schiefe von Null - die linke und rechte Seite sind Spiegelbilder. Asymmetrische Verteilungen haben eine Schiefe ungleich Null:

• Positive Schiefe (rechtsschief): Der lange Ausläufer erstreckt sich nach rechts. Modus < Median < Mittelwert.
• Negative Schiefe (linksschief): Der lange Ausläufer erstreckt sich nach links. Mittelwert < Median < Modus.

Stellen Sie sich vor, dass der Ausläufer in die Richtung der Schiefe zeigt.

Visualisierung der Schiefe

Symmetrisch (Schiefe ≈ 0): Körpergrößen, IQ-Werte, Messfehler

Rechtsschief (Positiv): Einkommen, Immobilienpreise, Versicherungsansprüche - die meisten Werte sind moderat, aber einige wenige sind sehr groß.

Linksschief (Negativ): Sterbealter in Industrieländern, Testergebnisse bei einer leichten Prüfung - die meisten Werte sind hoch, aber einige sind niedrig.

Die Schiefe-Formel

Stichproben-Schiefe (Fishers Formel):

$g_1 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^{n} \left(\frac{x_i - \bar{x}}{s}\right)^3$

Wobei:

• $n$ der Stichprobenumfang ist
• $\bar{x}$ der Stichprobenmittelwert ist
• $s$ die Stichproben-Standardabweichung ist
• Die Summe über alle Beobachtungen läuft

Die Kubierung erhält das Vorzeichen der Abweichungen, sodass Werte über dem Mittelwert positiv und Werte unter dem Mittelwert negativ beitragen.

Interpretation der Schiefe-Werte

Dies sind Richtwerte - der Kontext ist entscheidend. Eine Schiefe von 0,3 mag bei großen Stichproben trivial sein, aber bei kleinen Stichproben bemerkenswert.

Warum die Schiefe wichtig ist

Auswahl statistischer Methoden

Viele statistische Verfahren setzen symmetrische (oft normale) Verteilungen voraus:

• t-Tests und ANOVA setzen Normalverteilungen voraus
• Lineare Regression setzt normalverteilte Residuen voraus

Stark schiefe Daten erfordern möglicherweise:

• Transformationen (Logarithmus, Quadratwurzel)
• Nicht-parametrische Alternativen
• Verallgemeinerte lineare Modelle

Verständnis Ihrer Daten

Die Schiefe offenbart Dateneigenschaften:

• Einkommensdaten sind typischerweise rechtsschief (Schiefe > 0)
• Reaktionszeiten sind gewöhnlich rechtsschief
• Prozentdaten nahe den Grenzen zeigen oft Schiefe

Entscheidung zwischen Mittelwert und Median

Bei symmetrischen Daten sind Mittelwert und Median ähnlich. Bei schiefen Daten:

• Rechtsschief: Mittelwert > Median (Mittelwert wird zu großen Werten gezogen)
• Linksschief: Mittelwert < Median (Mittelwert wird zu kleinen Werten gezogen)

Bei der Angabe der zentralen Tendenz für schiefe Daten repräsentiert der Median oft besser den "typischen" Wert.

Anwendungen

Finanzen

Aktienrenditen zeigen eine leichte negative Schiefe - kleine Gewinne sind häufiger, aber gelegentliche große Verluste erzeugen eine Linksschiefe. Diese Asymmetrie stellt Portfoliomodelle vor Herausforderungen, die Symmetrie voraussetzen.

Versicherung

Schadensbeträge sind stark rechtsschief. Die meisten Schäden sind klein, aber seltene große Schäden treiben die Gesamtkosten. Versicherungsmathematiker müssen dies bei der Tarifgestaltung berücksichtigen.

Gesundheitswesen

Die Dauer von Krankenhausaufenthalten ist rechtsschief. Die meisten Patienten bleiben kurz, aber einige benötigen eine längere Behandlung. Eine Planung auf Basis des Mittelwerts überschätzt die typische Aufenthaltsdauer.

Qualitätskontrolle

Messfehler werden als symmetrisch erwartet. Schiefe deutet auf eine systematische Verzerrung im Messprozess hin.

Wirtschaft

Einkommens- und Vermögensverteilungen sind bekanntermaßen rechtsschief. Wenn Bill Gates einen Raum betritt, ändert sich das Durchschnittseinkommen dramatisch, aber der Median kaum.

Historische Entwicklung

Die formale Untersuchung der Verteilungsform stammt aus dem 19. Jahrhundert.

Karl Pearson entwickelte um 1895 den ersten Schiefe-Koeffizienten:

$\text{Pearsons Schiefe} = \frac{3(\text{Mittelwert} - \text{Median})}{\text{Standardabweichung}}$

Diese einfachere Formel erfasst die Beziehung zwischen Mittelwert und Median, wird aber heute seltener verwendet.

Ronald Fisher verfeinerte die Schiefe-Maße in den 1920er Jahren und führte die auf dem dritten Moment basierende Formel ein, die heute Standard ist.

Der momentbasierte Ansatz verbindet die Schiefe mit einem breiteren Rahmenwerk, wobei:

• Erstes Moment: Mittelwert
• Zweites Moment: Varianz
• Drittes Moment: Schiefe
• Viertes Moment: Kurtosis

Verschiedene Schiefe-Formeln

Pearsons erster Koeffizient

$\frac{\text{Mittelwert} - \text{Modus}}{\text{Standardabweichung}}$

Erfordert eine klare unimodale Verteilung.

Pearsons zweiter Koeffizient

$\frac{3(\text{Mittelwert} - \text{Median})}{\text{Standardabweichung}}$

Nutzt die Beziehung: $\text{Mittelwert} - \text{Modus} \approx 3 \times (\text{Mittelwert} - \text{Median})$

Moment-Koeffizient (Standard)

Basiert auf dem dritten standardisierten Moment - das ist, was dieser Rechner berechnet.

Quantilbasierte Schiefe

$\frac{Q_3 + Q_1 - 2 \times \text{Median}}{Q_3 - Q_1}$

Verwendet Quartile und ist dadurch robust gegenüber Ausreißern.

Schiefe und Transformationen

Gängige Transformationen zur Reduzierung der Schiefe:

Die Logarithmus-Transformation ist am häufigsten für rechtsschiefe positive Daten. Sie ist besonders wirksam für Daten, die mehrere Größenordnungen umfassen.

Nach der Transformation prüfen Sie, ob die Schiefe näher bei Null liegt.

Testen auf signifikante Schiefe

Bei Stichproben aus einer symmetrischen Grundgesamtheit wird eine Schiefe von 0 erwartet, aber Stichproben zeigen zufällig bedingt eine gewisse Schiefe.

Standardfehler der Schiefe:

$SE_{Schiefe} \approx \sqrt{\frac{6}{n}}$

Ein z-Test für die Schiefe:

$z = \frac{\text{Schiefe}}{SE_{Schiefe}}$

Wenn |z| > 2, ist die Schiefe statistisch signifikant (Faustregel).

Beispiel: n = 100, Schiefe = 0,5

$SE_{Schiefe} = \sqrt{6/100} = 0{,}245$

$z = 0{,}5 / 0{,}245 = 2{,}04$

Marginal signifikant - die Grundgesamtheit könnte tatsächlich schief sein.

Schiefe und Stichprobenumfang

Bei kleinen Stichproben sind Schiefe-Schätzungen instabil. Ein einzelner Extremwert kann die Schiefe dramatisch beeinflussen.

Mit zunehmendem Stichprobenumfang:

• Werden Schiefe-Schätzungen zuverlässiger
• Nimmt der Standardfehler ab (SE ∝ 1/√n)
• Werden Konfidenzintervalle enger

Bei Stichproben unter 20 sollte die Schiefe mit Vorsicht interpretiert werden.

Verwandte Konzepte

Kurtosis

Während die Schiefe die Asymmetrie misst, misst die Kurtosis die Schwere der Ausläufer. Zusammen beschreiben sie die Verteilungsform über Mittelwert und Standardabweichung hinaus.

Symmetrische Verteilungen

Normal-, Gleichverteilung, logistische und Cauchy-Verteilungen sind symmetrisch (Schiefe = 0). Allerdings unterscheiden sie sich dramatisch in der Kurtosis.

Bimodale Verteilungen

Bimodale Daten können bei Symmetrie eine niedrige Schiefe haben, aber eine hohe Schiefe, wenn die Gipfel ungleich sind. Die Schiefe erkennt keine Multimodalität.

Verwandte Berechnungen

Nach der Berechnung der Schiefe erkunden Sie:

• Kurtosis-Rechner — Schwere der Ausläufer messen
• Mittelwert-Rechner — Von der Schiefe beeinflusst
• Median-Rechner — Resistent gegen Schiefe
• Standardabweichung-Rechner — Streuungsmaß
• Fünf-Punkte-Zusammenfassung-Rechner — Übersicht der Verteilung

Zusammenfassung

Die Schiefe quantifiziert die Asymmetrie einer Verteilung und unterscheidet linksschiefe von rechtsschiefen Verteilungen. Das Verständnis der Schiefe leitet die Wahl zwischen Mittelwert und Median zur Beschreibung des Zentrums, beeinflusst die Auswahl geeigneter statistischer Methoden und offenbart zugrundeliegende Dateneigenschaften. Ob bei der Analyse von Einkommensverteilungen, Versicherungsansprüchen oder Testergebnissen - die Schiefe liefert wesentliche Informationen über die Verteilungsform, die Maße für Zentrum und Streuung allein nicht erfassen können.