Apakah Skewness?
Skewness merujuk kepada penyelewengan atau asimetri dalam lengkung loceng simetrik, atau pengedaran normal, dalam satu set data. Sekiranya kurva beralih ke kiri atau ke kanan, ia dikatakan condong. Skewness boleh diukur sebagai representasi sejauh mana taburan yang diberikan berbeza dari taburan normal. Pengedaran normal mempunyai sifar sifar, sementara pengedaran lognormal, misalnya, akan memperlihatkan beberapa derajat ke kanan.
Ketiga-tiga taburan kebarangkalian yang digambarkan di bawah adalah positif-condong (atau kanan-condong) ke tahap yang semakin meningkat. Pengedaran negatif juga dikenali sebagai pengedaran kiri. Skewness digunakan bersama-sama dengan kurtosis untuk lebih baik menilai kemungkinan peristiwa yang jatuh di ekor taburan kebarangkalian.
Imej oleh Julie Bang © Investopedia 2019
Takeaways Utama
- Skewness, dalam statistik, adalah darjah distorsi dari kurva loceng simetrik dalam pengagihan kebarangkalian. Pengedaran boleh mempamerkan skewness kanan (positif) atau kecondongan kiri (negatif) kepada darjah yang berbeza-beza. Pelabur mencatat skewness ketika menilai pengedaran kembali kerana itu, seperti kurtosis, menimbangkan ekstrem data yang ditetapkan dan bukannya memberi tumpuan semata-mata pada purata.
Menjelaskan Skewness
Selain positif dan negatif, pengedaran juga boleh dikatakan mempunyai sifar atau undefined condong. Dalam kurva pengedaran, data di sebelah kanan kurva boleh tirus berbeza dari data di sebelah kiri. Tirus ini dikenali sebagai "ekor." Sasaran negatif merujuk kepada ekor yang lebih panjang atau lebih gemuk di sebelah kiri pengedaran, sementara condong positif merujuk kepada ekor yang lebih panjang atau lebih gemuk di sebelah kanan.
Purata data miring positif akan lebih besar daripada median. Dalam pengedaran yang negatif, keadaan yang bertentangan adalah kesnya: purata data negatif yang miring akan kurang daripada median. Sekiranya grafik data secara simetrik, pengedaran mempunyai skewness sifar, tidak kira berapa lama atau lemak ekor.
Terdapat beberapa cara untuk mengukur skewness. Pearson pertama dan kedua pekali skewness adalah dua perkara biasa. Pearson's coefficient of skewness pertama, atau kecerasan mod Pearson, menolak mod dari mean dan membagi perbezaan dengan sisihan piawai. Pekson kedua pekali skewness, atau Pearson median skewness, menolak median dari min, mendarabkan perbezaan dengan tiga dan membahagikan produk dengan sisihan piawai.
Rumus untuk kecenderungan Pearson adalah:
Ku Sk1 = sX¯-Mo Sk2 = s3X¯-Md di mana: Sk1 = Pearson pertama pekali skewness dan Sk2 detik = sisihan piawai untuk sampelX¯ = nilai min = nilai (mod)
Pearson's coefficient of skewness pertama berguna jika data mempamerkan mod yang kuat. Jika data mempunyai mod yang lemah atau berbilang mod, pekali kedua Pearson mungkin lebih baik, kerana ia tidak bergantung kepada mod sebagai ukuran kecenderungan utama.
Apa yang Skewness?
Apakah Skewness Beritahu Anda?
Pelabur mencatatkan skewness ketika menilai pengedaran kembali kerana ia, seperti kurtosis, mempertimbangkan ekstrem data yang ditetapkan dan bukan hanya memberi tumpuan secara purata. Pelabur jangka pendek dan jangka sederhana khususnya perlu melihat ekstrem kerana mereka kurang berkemampuan untuk memegang jawatan yang cukup lama untuk yakin bahawa purata akan berfungsi sendiri.
Pelabur biasanya menggunakan sisihan piawai untuk meramal pulangan masa depan, tetapi sisihan piawai menganggap taburan normal. Sebilangan kecil pengedaran kembali mendekati keadaan normal, kecenderungan adalah langkah yang lebih baik untuk mengukur ramalan prestasi. Ini disebabkan oleh risiko kecelaruan.
Risiko skewness adalah risiko yang meningkat untuk menjadikan titik data kecondongan yang tinggi dalam pengedaran miring. Banyak model kewangan yang cuba meramal prestasi masa depan sesuatu aset menganggap taburan normal, di mana langkah-langkah kecenderungan pusat adalah sama. Jika data miring, model semacam ini akan sentiasa memandang rendah risiko keraguan dalam ramalannya. Semakin sedikit data, model kewangan ini kurang tepat.
