Skewness là gì?
Skewness đề cập đến sự biến dạng hoặc không đối xứng trong một đường cong hình chuông đối xứng, hoặc phân phối bình thường, trong một tập hợp dữ liệu. Nếu đường cong bị dịch chuyển sang trái hoặc sang phải, nó được cho là bị lệch. Skewness có thể được định lượng như là một đại diện cho mức độ phân phối nhất định thay đổi so với phân phối bình thường. Một phân phối bình thường có độ lệch bằng 0, trong khi phân phối logic, chẳng hạn, sẽ thể hiện một mức độ lệch phải.
Ba phân phối xác suất được mô tả dưới đây được tích cực nghiêng (hoặc lệch phải) ở mức độ ngày càng tăng. Phân phối lệch âm còn được gọi là phân phối lệch trái. Skewness được sử dụng cùng với kurtosis để đánh giá tốt hơn khả năng các sự kiện rơi vào đuôi của phân phối xác suất.
Hình ảnh của Julie Bang © Investopedia 2019
Chìa khóa chính
- Skewness, trong thống kê, là mức độ biến dạng từ đường cong chuông đối xứng trong phân phối xác suất. Phân phối có thể biểu hiện độ lệch phải (dương) hoặc lệch (âm) ở các mức độ khác nhau. Các nhà đầu tư lưu ý độ lệch khi đánh giá phân phối trở lại vì nó, như Kurtosis, xem xét các thái cực của tập dữ liệu thay vì chỉ tập trung vào mức trung bình.
Giải thích về Skewness
Bên cạnh độ lệch dương và âm, phân phối cũng có thể được cho là không có độ lệch hoặc không xác định. Trong đường cong phân phối, dữ liệu ở phía bên phải của đường cong có thể giảm dần khác với dữ liệu ở phía bên trái. Những côn này được gọi là "đuôi". Xiên âm đề cập đến một đuôi dài hơn hoặc béo hơn ở phía bên trái của phân phối, trong khi xiên dương đề cập đến một đuôi dài hơn hoặc béo hơn ở bên phải.
Giá trị trung bình của dữ liệu sai lệch dương sẽ lớn hơn trung bình. Trong một phân phối bị lệch âm, hoàn toàn ngược lại là trường hợp: giá trị trung bình của dữ liệu bị lệch âm sẽ nhỏ hơn giá trị trung bình. Nếu các biểu đồ dữ liệu đối xứng, phân phối có độ lệch bằng 0, bất kể đuôi dài hay mập.
Có một số cách để đo độ lệch. Các hệ số sai lệch thứ nhất và thứ hai của Pearson là hai hệ số phổ biến. Hệ số xiên đầu tiên của Pearson, hoặc độ lệch chế độ Pearson, trừ chế độ khỏi giá trị trung bình và chia sự khác biệt cho độ lệch chuẩn. Hệ số xiên thứ hai của Pearson, hay độ lệch trung bình của Pearson, trừ trung bình khỏi giá trị trung bình, nhân số chênh lệch gấp ba và chia sản phẩm cho độ lệch chuẩn.
Các công thức cho sự sai lệch của Pearson là:
Hay nói, là một tài tài của, qua, qua, qua một tài khác, qua giữ, qua một tài khác Sk1 = sX¯ − Mo Sk2 = s3X¯ Md trong đó: Sk1 = hệ số xiên đầu tiên của Pearson và Sk2 giây = độ lệch chuẩn cho mẫuX¯ = là giá trị trung bìnhMo = phương thức (chế độ) giá trị
Hệ số xiên đầu tiên của Pearson rất hữu ích nếu dữ liệu thể hiện chế độ mạnh. Nếu dữ liệu có chế độ yếu hoặc nhiều chế độ, hệ số thứ hai của Pearson có thể thích hợp hơn, vì nó không dựa vào chế độ như một thước đo của xu hướng trung tâm.
Skewness là gì?
Skewness nói gì với bạn?
Các nhà đầu tư lưu ý sự sai lệch khi đánh giá phân phối trả lại vì nó, giống như kurtosis, xem xét các cực trị của tập dữ liệu thay vì chỉ tập trung vào mức trung bình. Các nhà đầu tư ngắn hạn và trung hạn đặc biệt cần phải xem xét các thái cực bởi vì họ ít có khả năng giữ một vị trí đủ lâu để tự tin rằng trung bình sẽ tự giải quyết.
Các nhà đầu tư thường sử dụng độ lệch chuẩn để dự đoán lợi nhuận trong tương lai, nhưng độ lệch chuẩn giả định phân phối bình thường. Vì ít phân phối trả về gần với mức bình thường, độ lệch là một thước đo tốt hơn để dựa vào dự đoán hiệu suất. Điều này là do rủi ro sai lệch.
Rủi ro Skewness là rủi ro gia tăng trong việc tăng điểm dữ liệu có độ lệch cao trong phân phối sai lệch. Nhiều mô hình tài chính cố gắng dự đoán hiệu suất trong tương lai của một tài sản giả định phân phối bình thường, trong đó các biện pháp của xu hướng trung tâm là bằng nhau. Nếu dữ liệu bị sai lệch, loại mô hình này sẽ luôn đánh giá thấp rủi ro sai lệch trong dự đoán của nó. Dữ liệu càng sai lệch, mô hình tài chính này sẽ càng kém chính xác.
