Skewness at Kurtosis: Lampas sa Standard Deviation

Lampas sa Mean at Standard Deviation

Habang inilalarawan ng mean at standard deviation ang sentro at pagkakalat, inilalarawan naman ng skewness at kurtosis ang hugis ng mga distribusyon—asymmetry at bigat ng buntot.

Sa estadistika, inilalarawan natin ang mga distribusyon gamit ang “moments”—mga mathematical summary na kumukuha ng iba’t ibang aspeto ng hugis:

Ika-1 moment:Mean (central tendency)
Ika-2 moment:Variance/Standard Deviation (pagkakalat)
Ika-3 moment:Skewness (asymmetry)
Ika-4 moment:Kurtosis (bigat ng buntot)

Dalawang distribusyon ang maaaring magkaroon ng magkaparehong mean at standard deviation ngunit magmukhang ganap na magkaiba. Kinukuha ng skewness at kurtosis ang mga pagkakaibang ito, na nagbibigay ng mas kumpletong larawan ng distribusyon ng iyong data.

Skewness: Pagsukat ng Asymmetry

Sinusukat ng skewness kung gaano ka-asymmetric ang isang distribusyon. Ang positive skew ay nangangahulugan ng mas mahabang kanang buntot (hal., mga distribusyon ng kita), habang ang negative skew ay nangangahulugan ng mas mahabang kaliwang buntot.

Sample Skewness

g₁ = [n/((n-1)(n-2))] × Σ[(xᵢ - x̄)/s]³

Skewness = 0:Symmetric na distribusyon (normal, uniform)
Skewness > 0:Right-skewed—ang mean ay lumalampas sa median (kita, presyo ng bahay)
Skewness < 0:Left-skewed—ang median ay lumalampas sa mean (edad sa pagreretiro, mga marka sa exam na may ceiling)

Karaniwang Right-Skewed Data

Maraming real-world phenomena ang right-skewed: kita, kayamanan, laki ng mga kumpanya, populasyon ng mga lungsod, insurance claims, at mga oras ng paghihintay. Sa mga kasong ito, ang mean ay hinahatak pataas ng mga extreme values, kaya ang median ang mas mahusay na sukatan ng “karaniwan.”

Mga gabay sa interpretasyon:

|Skewness| < 0.5: Humigit-kumulang symmetric
0.5 ≤ |Skewness| < 1: Katamtamang skewed
|Skewness| ≥ 1: Lubos na skewed

Kurtosis: Bigat ng Buntot

Sinusukat ng kurtosis kung gaano kabigat o kagaan ang mga buntot kumpara sa normal distribution. Ang mataas na kurtosis ay nangangahulugan ng mas maraming extreme values (matatabang buntot), ang mababang kurtosis ay nangangahulugan ng mas kaunti.

Isang karaniwang maling akala ay sinusukat ng kurtosis ang “peakedness.” Bagama’t may kaugnayan, ang kurtosis sa panimula ay tungkol sa mga buntot. Ang distribusyon na may mataas na kurtosis ay may mas maraming probability mass sa mga buntot at sa tuktok, ngunit mas kaunti sa mga “balikat.”

Excess Kurtosis

g₂ = [n(n+1)/((n-1)(n-2)(n-3))] × Σ[(xᵢ - x̄)/s]⁴ - 3(n-1)²/((n-2)(n-3))

Mesokurtic (k ≈ 0):Normal-like na mga buntot (baseline para sa paghahambing)
Leptokurtic (k > 0):Matatabang buntot, mas maraming extreme values kaysa normal (stock returns, lindol)
Platykurtic (k < 0):Manipis na buntot, mas kaunting extremes kaysa normal (uniform distribution, bounded data)

Matatabang Buntot sa Pananalapi

Ang mga financial return ay kilalang nagpapakita ng mataas na kurtosis (“matatabang buntot”). Ang mga pangyayaring dapat ay minsan-sa-isang-siglo batay sa normal distribution assumptions ay nangyayari nang mas madalas. Ang pag-ignore ng kurtosis ay humahantong sa underestimation ng panganib—isang aral mula sa maraming financial crises.

Mga Praktikal na Aplikasyon

Risk Management: Ang mataas na kurtosis ay nangangahulugan ng mas madalas na extreme outcomes. Ang VaR at iba pang risk measures na nag-assume ng normality ay maaaring lubos na i-underestimate ang tunay na panganib kapag mataas ang kurtosis.

Quality Control: Ang manufacturing data na may mataas na kurtosis ay nagsu-suggest ng paminsan-minsang extreme deviations mula sa target, kahit katanggap-tanggap ang average performance. Ang pattern na ito ay maaaring magpahiwatig ng process instability na kailangang imbestigahan.

Data Transformation: Ang lubos na skewed data ay maaaring makinabang sa transformation (log, square root) bago suriin. Ang layunin ay madalas na makamit ang approximate normality para sa mga statistical tests na nag-assume nito.

Statistical Testing: Maraming tests ang nag-assume ng normality. Ang makabuluhang skewness o kurtosis ay maaaring magpahiwatig na nilabag ang assumption na ito, na nagsu-suggest ng paggamit ng non-parametric alternatives o robust methods.

Mga Gabay sa Interpretasyon

Normality Testing: Pinagsasama ng Jarque-Bera test ang skewness at kurtosis upang i-test ang normality. Tinatanggihan nito ang normality kapag ang alinmang metric ay lumihis nang malaki mula sa zero.

Mga Konsiderasyon sa Laki ng Sample: Ang maliliit na samples ay gumagawa ng hindi maaasahang skewness at kurtosis estimates. Sa n < 50, ang mga statistics na ito ay may mataas na sampling variability. Sa n < 20, halos walang kahulugan ang mga ito.

Robustness: Parehong sensitive sa outliers ang skewness at kurtosis. Ang isang extreme na halaga ay maaaring dramatikong makaapekto sa mga statistics na ito, kaya palaging i-visualize ang iyong data kasama ng mga numerical summaries.

← Learning Center