Co je Skewness?
Skewness označuje zkreslení nebo asymetrii v symetrické zvonové křivce nebo normální rozdělení v sadě dat. Pokud je křivka posunuta doleva nebo doprava, říká se, že je zkosená. Skewness lze kvantifikovat jako reprezentaci rozsahu, v jakém se dané rozdělení liší od normálního rozdělení. Normální distribuce má nula zkosení, zatímco lognormální distribuce by například vykazovala určitý stupeň pravého zkosení.
Tři rozdělení pravděpodobnosti znázorněná níže jsou ve stále větší míře pozitivně zkosená (nebo zkosená doprava). Negativně zkosené distribuce jsou také známé jako levotočivé distribuce. Skewness se používá spolu s kurtózou k lepšímu posouzení pravděpodobnosti, že se události ocitnou v ocasu distribuce pravděpodobnosti.
Obrázek Julie Bang © Investopedia 2019
Klíč s sebou
- Skewness, ve statistice, je stupeň zkreslení ze symetrické zvonové křivky v rozdělení pravděpodobnosti.Rozdělení mohou vykazovat pravou (pozitivní) skewness nebo levou (negativní) skewn do různých stupňů. kurtosis, bere v úvahu extrémy datového souboru spíše než se soustředit pouze na průměr.
Vysvětluje Skewness
Kromě pozitivního a negativního zkosení lze také říci, že distribuce mají nulovou nebo nedefinovanou odchylku. V křivce distribuce se data na pravé straně křivky mohou zužovat odlišně od údajů na levé straně. Tato zúžení se nazývají „ocasy“. Negativní zkosení označuje delší nebo tlustší ocas na levé straně distribuce, zatímco pozitivní zkosení označuje delší nebo tlustší ocas na pravé straně.
Průměr kladně zkosených dat bude větší než střední hodnota. V distribuci, která je negativně zkosená, je pravdou pravý opak: průměr negativně zkreslených dat bude menší než střední hodnota. Pokud data grafu symetricky, distribuce má nulovou skeessess, bez ohledu na to, jak dlouho nebo tlusté ocasy jsou.
Existuje několik způsobů, jak změřit skewness. Pearsonův první a druhý koeficient skewness jsou dva běžné. Pearsonův první koeficient skewness, nebo Pearsonova skewness, odečte režim od střední hodnoty a dělí rozdíl standardní směrodatnou odchylkou. Pearsonův druhý koeficient skewness nebo Pearsonovy střední skewness, odečte střední hodnotu od průměru, vynásobí rozdíl třemi a rozdělí produkt standardní odchylkou.
Vzorce pro Pearsonovu skewn jsou:
Cvičení Sk1 = sX¯ − Mo Sk2 = s3X¯ − Md kde: Sk1 = Pearsonův první koeficient skewn a Sk2 vteřiny = standardní odchylka pro vzorekX¯ = je střední hodnotaMo = modální (režim)
Pearsonův první koeficient šikmosti je užitečný, pokud data vykazují silný režim. Pokud mají data slabý režim nebo více režimů, může být výhodnější Pearsonův druhý koeficient, protože se nespoléhá na režim jako měřítko centrální tendence.
Co je Skewness?
Co vám řekla Skewness?
Investoři při posuzování distribuce výnosů berou v úvahu skreslost, protože stejně jako kurtóza zvažuje spíše extrémy datového souboru než se soustředit pouze na průměr. Zejména krátkodobí a střednědobí investoři se musí dívat na extrémy, protože je méně pravděpodobné, že budou zastávat pozici dostatečně dlouho na to, aby si byli jisti, že průměr bude fungovat sám.
Investoři běžně používají standardní odchylku k předpovídání budoucích výnosů, ale standardní odchylka předpokládá normální rozdělení. Vzhledem k tomu, že se jen málo distribucí návratu blíží k normálnímu stavu, je skewness lepším měřítkem, na kterém lze založit předpovědi výkonu. Důvodem je riziko šikmosti.
Riziko bezklíčnosti je zvýšené riziko, že se ve zkosené distribuci objeví datový bod s vysokou skosností. Mnoho finančních modelů, které se snaží předpovídat budoucí výkonnost aktiva, předpokládá normální rozdělení, ve kterém jsou míry centrální tendence stejné. Pokud jsou data zkreslená, bude tento druh modelu ve svých předpovědích vždy podceňovat riziko skebosti. Čím více budou data zkreslena, tím bude tento finanční model méně přesný.
