Diferencias en la estimación del coeficiente de curtosis en diferentes softwares estadísticos

Contenido principal del artículo

Licda Luz Elena Barrantes Aguilar.

Resumen

La curtosis, o cuarto momento de una distribución, se emplea para describir una distribución y forma parte de algunos contrastes de normalidad. La mayoría de los paquetes estadísticos la incluyen, por lo que su cálculo es sencillo. Sin embargo, para un mismo grupo de datos, los resultados que proporcionan los diferentes programas estadísticos pueden diferir. Con el objetivo de explicar las diferencias en la estimación de la curtosis entre los paquetes estadísticos de mayor uso para los economistas agrícolas se emplearon dos muestras y se realizó una comparación en la estimación del coeficiente curtosis con nueve softwares estadísticos diferentes. Los resultados mostraron que las diferencias no se deben a errores de cálculo, sino a que el término se emplea de manera incorrecta por la mayoría de programas y se estimó que existe aproximadamente un 20% de probabilidad de llegar a una conclusión equivocada al trabajar con muestras pequeñas y no considerar el factor de ajuste.

Detalles del artículo

Cómo citar
Barrantes Aguilar, L. E. (2019). Diferencias en la estimación del coeficiente de curtosis en diferentes softwares estadísticos. E-Agronegocios, 5(2). https://doi.org/10.18845/rea.v5i2.4456
Sección
Artículos
Biografía del autor/a

Licda Luz Elena Barrantes Aguilar., Universidad Autónoma de Chapingo, México.

Maestría en Ciencias en Economía Agrícola y de los recursos naturales de la Universidad Autónoma de Chapingo, México. Licenciada en Economía Agrícola y Agronegocios de la Universidad de Costa Rica, Costa Rica. Docente e investigadora en la Universidad de Costa Rica.

Citas

Greene, W. H. (2011). Econometric Analysis. (7ed). Prentice Hall. 1241 p.

Byers, R. (2000). On the Maximum of the Standardized Fourth Moment. InterStat,1(2),1-7.

Fernández, S. F., Sánchez, J. M., Córdoba, A., Cordero, J. M., y Largo, A. C. (2002). Estadística descriptiva. ESIC Editorial. 566 p.

Finucan, H. M. (1964). A note on Kurtosis. Journal of the Royal Statistical Society, Series B, 26, 111-112. DOI: 10.1111/j.2517-6161.1964.tb00545.x.

Hosking, J. (1990). L-Moments: Analysis and estimation of distributions using linear combinations of order statistics. Journal of the Royal Statistical Society. Series B, 52(1), 105-124.

Kim, T. y White, H. (2003). On More Robust Estimation of Skewness and Kurtosis: Simulation and Application to the S&P500 Index. UC San Diego: Department of Economics, UCSD. Disponible en: https://escholarship.org/uc/item/7b52v07p

Mardia, K. V. (1970). Measures of Multivariate Skewness and Kurtosis with Applications. Biometrika, 57, 519-530. DOI: 10.2307/2334770.

Moors, J. (1988). A Quantile Alternative for Kurtosis. Journal of the Royal Statistical Society. Series D (The Statistician), 37(1), 25-32. DOI: 10.2307/2348376.

Person, K. (1905). Das Fehlergesetz und Seine Verallgemeinerungen durch Fechner und Pearson. A Rejoinder. Biometrika, 4(1/2), 169-212. DOI: 10.2307/2331536.

Ruppert, D. (1987). What is kurtosis? An influence function approach. The American Statistician, 41(1), 1-5. DOI: 10.2307/2684309.

Seier, E. (2003). Curtosis. PESQUIMAT, VI(2), 1- 26.

Student (1927). Errors of Routine Analysis. Biometrika, 19(1/2), 151-164. DOI: 10.2307/2332181.

Westfall, P.. (2014). Kurtosis as Peakedness, 1905-2014. RIP. The American Statistician, 68(3), 191-195. DOI:10.1080/00031305.2014.917055.

Artículos más leídos del mismo autor/a