Što je Skewness?
Škrtost se odnosi na distorziju ili asimetriju u simetričnoj krivulji zvona ili normalnu distribuciju u skupu podataka. Ako se krivulja pomakne ulijevo ili udesno, kaže se da je nagnuta. Skewness se može kvantificirati kao prikaz stupnja u kojem određena distribucija varira od normalne distribucije. Normalna raspodjela ima nagib od nule, dok bi, na primjer, lonormalna raspodjela pokazala određeni stupanj pravog nagiba.
Tri distribucije vjerojatnosti prikazane u nastavku su u sve većem stupnju pozitivno nagnute (ili desno nagnute). Distribucije s negativnom kosom snagom poznate su i kao distribucije s lijevom kosom glavom. Skewness se koristi zajedno s kurtozom kako bi se bolje procijenila vjerojatnost da će se dogodi desiti u repovima distribucije vjerojatnosti.
Slika Julie Bang © Investopedia 2019
Ključni odvodi
- Skewness, u statistici, je stupanj izobličenja od simetrične krivulje zvona u raspodjeli vjerojatnosti.Distribucije mogu u različitom stupnju iskazivati desno (pozitivno) nakrivljenost ili lijevo (negativno). Investitori primjećuju kosost kad ocjenjuju raspodjelu povrata jer je, poput kurtoza, razmatra krajnosti skupa podataka umjesto da se fokusira samo na prosjek.
Objašnjavanje škrtosti
Pored pozitivnog i negativnog nagiba, za distribucije se također može reći da ima nulti ili nedefinirani nagib. U krivulji distribucije podaci na desnoj strani krivulje mogu se suziti drugačije od podataka na lijevoj strani. Ti su sužavani poznati kao "repovi". Negativni nagib odnosi se na duži ili deblji rep na lijevoj strani raspodjele, dok se pozitivni nakrivnost odnosi na duži ili deblji rep s desne strane.
Srednja vrijednost pozitivno nagnutih podataka bit će veća od medijane. U distribuciji koja je negativno nagnuta događa se upravo suprotno: srednja vrijednost negativno nakrivljenih podataka bit će manja od medijane. Ako su grafikoni podataka simetrični, raspodjela ima nultu skočnost, bez obzira na to koliko su dugog ili masnog repova.
Postoji nekoliko načina za mjerenje nakrivljenosti. Pearsonov prvi i drugi koeficijent nakrivljenosti su dva uobičajena. Pearsonov prvi koeficijent nakrivljenosti ili Pearsonov način nagibanja oduzima način rada od srednje vrijednosti i razlikuje standardnom devijacijom. Pearsonov drugi koeficijent nagiba ili Pearsonov srednji kosost oduzima srednju od srednje, množi razliku s tri i dijeli proizvod standardnim odstupanjem.
Formule za Pearsonovu kosost su:
Sk1 = sX¯ − Mo Sk2 = s3X¯ − Md gdje je: Sk1 = Pearsonov prvi koeficijent nagiba i Sk2 sekunde = standardno odstupanje za uzorakX¯ = je srednja vrijednostMo = modal (način) vrijednosti
Pearsonov prvi koeficijent nakrivljenosti koristan je ako podaci pokazuju jak način rada. Ako podaci imaju slab način rada ili su višestruki, Pearsonov drugi koeficijent može biti poželjniji, jer se ne oslanja na način kao mjerilo središnje tendencije.
Što je Skewness?
Što vam govori Skewness?
Ulagači primjećuju neispravnost kad prosuđuju raspodjelu povrata, jer ona, poput kurtoze, uzima u obzir krajnosti skupa podataka, a ne fokusiranje samo na prosjek. Osobito kratkoročni i srednjoročni investitori trebaju gledati krajnosti jer je manje vjerojatno da će zadržati poziciju dovoljno dugo da bi bili sigurni da će prosjek uspjeti.
Investitori obično koriste standardno odstupanje za predviđanje budućih povrata, ali standardno odstupanje pretpostavlja normalnu distribuciju. Kako se malo raspodjele povrata približava uobičajenoj, iskrivljenost je bolja mjera na kojoj će se temeljiti predviđanja radne učinkovitosti. To je zbog rizika od nagiba.
Rizik proklizavanja je povećani rizik od pojave podatkovne točke velike skočnosti u nakrivljenoj distribuciji. Mnogi financijski modeli koji pokušavaju predvidjeti buduće poslovanje imovine pretpostavljaju normalnu raspodjelu u kojoj su mjere središnje tendencije jednake. Ako su podaci iskrivljeni, ovakav će model u svojim predviđanjima uvijek podcijeniti rizik od kososti. Što su podaci više nakrivljeni, to će financijski model biti manje točan.
