Ano ang Skewness?
Ang skewness ay tumutukoy sa pagbaluktot o kawalaan ng simetrya sa isang simetriko na kurbada ng kampanilya, o normal na pamamahagi, sa isang hanay ng data. Kung ang curve ay inilipat sa kaliwa o sa kanan, sinasabing skewed ito. Ang karamdaman ay maaaring masukat bilang isang representasyon ng kung saan ang isang naibigay na pamamahagi ay nag-iiba mula sa isang normal na pamamahagi. Ang isang normal na pamamahagi ay may isang skew ng zero, habang ang isang lognormal na pamamahagi, halimbawa, ay magpapakita ng ilang antas ng kanang kanan.
Ang tatlong mga pamamahagi ng posibilidad na inilalarawan sa ibaba ay positibo-siko (o kanan-skewed) sa isang pagtaas ng antas. Ang mga distribusyon na negatibong naka-skewed ay kilala rin bilang mga left-skewed na mga pamamahagi. Ang skewness ay ginagamit kasama ang kurtosis upang mas mahusay na hatulan ang posibilidad ng mga kaganapan na nahuhulog sa mga buntot ng isang pamamahagi ng posibilidad.
Larawan ni Julie Bang © Investopedia 2019
Mga Key Takeaways
- Ang skewness, sa mga istatistika, ay ang antas ng pagbaluktot mula sa simetriko na kurbada ng kampanilya sa isang probabilidad na pamamahagi. Ang mga pamamahagi ay maaaring magpakita ng tama (positibo) skewness o pakaliwa (negatibo) kalamnan sa iba't ibang degree.Investors tandaan ang kawalang-kilos kapag humatol ng pagbabahagi ng pagbabalik dahil dito, tulad ng Ang kurtosis, isinasaalang-alang ang mga sukdulan ng set ng data sa halip na tumututok lamang sa average.
Nagpapaliwanag ng Kahusayan
Bukod sa positibo at negatibong skew, ang mga pamamahagi ay maaari ding masabing mayroong zero o hindi natukoy na skew. Sa curve ng isang pamamahagi, ang data sa kanang bahagi ng curve ay maaaring i-tap ang naiiba mula sa data sa kaliwang bahagi. Ang mga taperings na ito ay kilala bilang "mga buntot." Ang negatibong skew ay tumutukoy sa isang mas mahaba o fatter tail sa kaliwang bahagi ng pamamahagi, habang ang positibong skew ay tumutukoy sa isang mas mahaba o fatter tail sa kanan.
Ang ibig sabihin ng data na positibo sa skewed ay mas malaki kaysa sa median. Sa isang pamamahagi na negatibong bumaluktot, ang eksaktong kabaligtaran ay ang kaso: ang ibig sabihin ng data ng negatibong skewed ay mas mababa kaysa sa median. Kung ang mga graph ng data ay simetriko, ang pamamahagi ay may zero skewness, hindi alintana kung gaano katagal o taba ang mga buntot.
Mayroong maraming mga paraan upang masukat ang skewness. Ang una at pangalawang coefficient ng kawayan ng balat ay dalawang karaniwang. Ang unang koepisyent ng kawayan ng Pearson, o skewness ng mode ng Pearson, ay nagbabawas sa mode mula sa kahulugan at hinati ang pagkakaiba sa pamamagitan ng karaniwang paglihis. Ang pangalawang koepisyent ng skewness ng Pearson, o Pearson median skewness, ay nagbabawas sa median mula sa ibig sabihin, pinaparami ang pagkakaiba ng tatlo at hinati ang produkto sa pamamagitan ng karaniwang paglihis.
Ang mga formula para sa skewness ni Pearson ay:
Sk1 = sX¯ − Mo Sk2 = s3X¯ − Md kung saan: Sk1 = unang koepektibo ng Pearson at Sk2 ang segundo = ang pamantayang paglihis para sa sampleX¯ = ay ang ibig sabihin ng halagaMo = ang modal (mode) halaga
Ang unang koepisyent ng skewness ng Pearson ay kapaki-pakinabang kung ang data ay nagpapakita ng isang malakas na mode. Kung ang data ay may mahinang mode o maraming mga mode, ang pangalawang koepisyent ng Pearson ay maaaring mas kanais-nais, dahil hindi ito umaasa sa mode bilang isang sukatan ng sentral na pagkahilig.
Ano ang Skewness?
Ano ang Sinasabi sa iyo ng Skewness?
Napapansin ng mga namumuhunan ang skewness kapag hinuhusgahan ang isang pamamahagi ng pagbabalik sapagkat ito, tulad ng kurtosis, ay isinasaalang-alang ang sukdulan ng set ng data sa halip na tumututok lamang sa average. Ang mga short-at medium-term na mga mamumuhunan sa partikular ay kailangang tumingin sa labis na kadahilanan dahil mas malamang na sila ay may hawak na posisyon nang sapat upang maging kumpiyansa na ang average ay gagana sa sarili.
Ang mga namumuhunan ay karaniwang gumagamit ng karaniwang paglihis upang mahulaan ang mga pagbabalik sa hinaharap, ngunit ang karaniwang paglihis ay ipinapalagay ang isang normal na pamamahagi. Tulad ng ilang mga pagbabahagi ng pagbabalik na malapit sa normal, ang skewness ay isang mas mahusay na sukat kung saan ibabatay ang mga hula sa pagganap. Ito ay dahil sa peligro sa skewness.
Ang panganib ng karamdaman ay ang pagtaas ng panganib ng pag-up ng isang punto ng data ng mataas na skewness sa isang pamamahagi ng skewed. Maraming mga pinansiyal na modelo na nagtangkang hulaan ang hinaharap na pagganap ng isang asset ay nagpapalagay ng isang normal na pamamahagi, kung saan ang mga sukat ng sentral na ugali ay pantay. Kung ang data ay skewed, ang ganitong uri ng modelo ay palaging maliitin ang panganib sa skewness sa mga hula nito. Ang mas maraming skewed ang data, mas mababa ang tumpak na modelo ng pananalapi na ito.
