Какво е Skewness?
Skewness се отнася до изкривяване или асиметрия в симетрична крива на звънеца или нормално разпределение в набор от данни. Ако кривата се измести наляво или надясно, се казва, че е изкривена. Skewness може да се определи количествено като представяне на степента, в която дадено разпределение варира от нормалното разпределение. Нормалното разпределение има нулево наклонение, докато лонормалното разпределение, например, би проявило известна степен на десен косинг.
Трите разпределения на вероятността, показани по-долу, са с положително изкривяване (или с право наклонение) в нарастваща степен. Негативно изкривените дистрибуции са известни също като дистрибутори с ляво изкривяване. Skewness се използва заедно с куртоза, за да се прецени по-добре вероятността събитията да попаднат в опашките на вероятностното разпределение.
Изображение от Джули Банг © Инвестопедия 2019
Ключови заведения
- Skewness, в статистиката, е степента на изкривяване от симетричната крива на звънеца при разпределение на вероятността.Разпределенията могат да проявят дясно (положително) наклонение или ляво (отрицателно) наклонение в различна степен. куртоза, разглежда крайностите на набора от данни, вместо да се фокусира единствено върху средната стойност.
Обясняване на Skewness
Освен положителни и отрицателни наклони, може да се каже, че разпределенията имат и нулево или неопределено изкривяване. В кривата на разпределение данните от дясната страна на кривата могат да се стесняват различно от данните от лявата страна. Тези стеснения са известни като "опашки". Отрицателното изкривяване се отнася до по-дълга или по-дебела опашка от лявата страна на разпределението, докато положителното изкривяване се отнася до по-дълга или по-дебела опашка от дясната страна.
Средната стойност на положително изкривените данни ще бъде по-голяма от средната. При разпределение, което е отрицателно изкривено, е точно обратното: средната стойност на отрицателно изкривените данни ще бъде по-малка от средната. Ако графиките на данните са симетрично, разпределението има нулева косост, независимо колко са дълги или дебели опашките.
Има няколко начина за измерване на косостта. Първият и вторият коефициент на косост на Пиърсън са два общи. Първият коефициент на косост на Пиърсън или наклоненост в режим на Пиърсън изважда режима от средната стойност и разделя разликата със стандартното отклонение. Вторият коефициент на наклонение на Пиърсън или средния скат на Пиърсън, изважда средната стойност от средната стойност, умножава разликата по три и разделя произведението по стандартното отклонение.
Формулите за наклоненост на Пиърсън са:
Sk1 = sX¯ − Mo Sk2 = s3X¯ − Md където: Sk1 = първият коефициент на скат на Пиърсън и Sk2 секундите = стандартното отклонение за извадкатаX¯ = е средната стойностMo = модалният (режим) стойност
Първият коефициент на косост на Pearson е полезен, ако данните показват силен режим. Ако данните имат слаб режим или няколко режима, вторият коефициент на Пиърсън може да бъде за предпочитане, тъй като той не разчита на режим като мярка за централна тенденция.
Какво е Skewness?
Какво ви казва Skewness?
Инвеститорите отбелязват косост, когато преценяват разпределението на възвръщаемостта, тъй като тя, подобно на куртоза, отчита крайностите на набора от данни, а не се фокусира единствено върху средната стойност. В частност, краткосрочните и средносрочните инвеститори трябва да гледат на крайности, тъй като е по-малко вероятно да заемат позиция достатъчно дълго, за да са сигурни, че средната стойност ще се справи сама.
Инвеститорите обикновено използват стандартно отклонение за прогнозиране на бъдещата възвръщаемост, но стандартното отклонение предполага нормално разпределение. Тъй като малкото разпределение на възвръщаемостта се доближава до нормалното, косостта е по-добра мярка, върху която да се основават прогнозите за ефективността. Това се дължи на риска от изкривяване.
Рискът на скосяване е увеличеният риск от задействане на точка от данни с високо наклонение при косо разпределение. Много финансови модели, които се опитват да предскажат бъдещото представяне на активите, приемат нормално разпределение, при което мерките с централна тенденция са равни. Ако данните са изкривени, този вид модел винаги ще подценява риска от наклоняване в своите прогнози. Колкото повече са изкривени данните, толкова по-точен ще бъде този финансов модел.
