Apa itu Skewness?
Skewness mengacu pada distorsi atau asimetri dalam kurva lonceng simetris, atau distribusi normal, dalam satu set data. Jika kurva digeser ke kiri atau ke kanan, dikatakan miring. Kecenderungan dapat dikuantifikasi sebagai representasi sejauh mana distribusi yang diberikan bervariasi dari distribusi normal. Distribusi normal memiliki kemiringan nol, sedangkan distribusi lognormal, misalnya, akan menunjukkan beberapa derajat kemiringan kanan.
Tiga distribusi probabilitas yang digambarkan di bawah ini memiliki kemiringan positif (atau kemiringan kanan) ke tingkat yang meningkat. Distribusi yang condong negatif juga dikenal sebagai distribusi condong kiri. Skewness digunakan bersama dengan kurtosis untuk menilai lebih baik kemungkinan peristiwa yang jatuh di ekor distribusi probabilitas.
Gambar oleh Julie Bang © Investopedia 2019
Pengambilan Kunci
- Skewness, dalam statistik, adalah tingkat distorsi dari kurva lonceng simetris dalam distribusi probabilitas. Kontribusi dapat menunjukkan skewness kanan (positif) atau skewness kiri (negatif) ke berbagai tingkat. kurtosis, pertimbangkan ekstrem set data daripada hanya berfokus pada rata-rata.
Menjelaskan Skewness
Selain condong positif dan negatif, distribusi juga dapat dikatakan memiliki condong nol atau tidak terdefinisi. Dalam kurva distribusi, data di sisi kanan kurva dapat meruncing berbeda dari data di sisi kiri. Taperings ini dikenal sebagai "ekor." Miring negatif mengacu pada ekor yang lebih panjang atau lebih gemuk di sisi kiri distribusi, sedangkan condong positif mengacu pada ekor yang lebih panjang atau lebih gemuk di sebelah kanan.
Rata-rata data yang condong positif akan lebih besar dari median. Dalam distribusi yang condong negatif, yang terjadi adalah sebaliknya: rata-rata data miring negatif akan kurang dari median. Jika data grafik secara simetris, distribusi memiliki kemiringan nol, terlepas dari berapa lama atau gemuk ekornya.
Ada beberapa cara untuk mengukur kemiringan. Koefisien kemiringan pertama dan kedua Pearson adalah dua yang umum. Koefisien kemiringan Pearson yang pertama, atau kemiringan mode Pearson, mengurangi mode dari mean dan membagi perbedaannya dengan deviasi standar. Koefisien kemiringan kedua Pearson, atau kemiringan median Pearson, mengurangi median dari rata-rata, mengalikan perbedaan dengan tiga dan membagi produk dengan deviasi standar.
Rumus untuk kemiringan Pearson adalah:
Sk1 = sX¯ − Mo Sk2 = s3X¯ − Md di mana: Sk1 = koefisien kemiringan pertama Pearson dan Sk2 detik = standar deviasi untuk sampelX¯ = adalah nilai rata-rataMo = modal nilai (mode)
Koefisien kemiringan pertama Pearson berguna jika data menunjukkan mode yang kuat. Jika data memiliki mode lemah atau beberapa mode, koefisien kedua Pearson mungkin lebih disukai, karena tidak bergantung pada mode sebagai ukuran kecenderungan sentral.
Apa Skewness?
Apa yang Diceritakan Skewness?
Investor mencatat kecenderungan ketika menilai distribusi pengembalian karena, seperti kurtosis, mempertimbangkan ekstrem dari kumpulan data daripada hanya berfokus pada rata-rata. Investor jangka pendek dan menengah khususnya perlu melihat ekstrem karena mereka cenderung tidak memiliki posisi cukup lama untuk yakin bahwa rata-rata akan bekerja dengan baik.
Investor biasanya menggunakan deviasi standar untuk memprediksi pengembalian di masa depan, tetapi deviasi standar mengasumsikan distribusi normal. Karena beberapa distribusi pengembalian mendekati normal, kemiringan adalah ukuran yang lebih baik untuk dijadikan dasar prediksi kinerja. Ini karena risiko kemiringan.
Risiko kemiringan adalah peningkatan risiko memunculkan titik data kemiringan tinggi dalam distribusi yang miring. Banyak model keuangan yang berusaha untuk memprediksi kinerja aset di masa depan mengasumsikan distribusi normal, di mana ukuran kecenderungan sentral adalah sama. Jika data miring, model seperti ini akan selalu meremehkan risiko kemiringan dalam prediksinya. Semakin condong data, semakin kurang akurat model keuangan ini.
