Թքության հետևանքները Եթե տվյալների մեջ չափազանց շատ թեքություն կա, ապա շատ վիճակագրական մոդելներ չեն աշխատում, բայց ինչու: Այսպիսով, շեղված տվյալների մեջ պոչի շրջանը կարող է հանդես գալ որպես վիճակագրական մոդելի արտանետվող, և մենք գիտենք, որ ծայրամասերը բացասաբար են ազդում մոդելի կատարողականի վրա, հատկապես ռեգրեսիայի վրա հիմնված մոդելների վրա:
Արդյո՞ք թեքությունն ազդում է ռեգրեսիայի վրա:
Թեքությունը համաչափության չափանիշ է կամ կարելի է ասել նաև սիմետրիայի բացակայության չափանիշ է, և երբեմն այս հայեցակարգն օգտագործվում է Գծային ռեգրեսիայի նորմալության ենթադրության բացակայությունը ստուգելու համար: Ինչու՞ պետք է կենտրոնանանք թեքության վրա: … Հետևաբար, Թեքությունը լուրջ խնդիր է և կարող է լինել ձեր մոդելի վատ աշխատանքի պատճառը:
Ինչի՞ վրա է ազդում թեքությունը:
Թեքությունը վերաբերում է աղավաղմանը կամ ասիմետրիկությանը, որը շեղվում է սիմետրիկ զանգի կորից կամ նորմալ բաշխումիցտվյալների մի շարքում: … Նորմալ բաշխումն ունի զրոյի թեքություն, մինչդեռ լոգնորմալ բաշխումը, օրինակ, ցույց կտա աջ թեքության որոշակի աստիճան:
Ի՞նչ է մեզ ասում թեքության արժեքը:
Վիճակագրության մեջ թեքությունը չափում է պատահական փոփոխականի հավանականության բաշխման անհամաչափությունը միջինի նկատմամբ: Այլ կերպ ասած, թեքությունը ցույց է տալիս ձեզ թեքության քանակն ու ուղղությունը (հորիզոնական համաչափությունից շեղում) Թեքության արժեքը կարող է լինել դրական կամ բացասական, կամ նույնիսկ չսահմանված:
Ինչու է թեքությունը վատ:
Բացասական թեքություն ը սովորաբար լավ չէ, քանի որ այն ընդգծում է ձախ պոչի իրադարձությունների ռիսկը կամ այն, ինչը երբեմն կոչվում է «սև կարապի իրադարձություններ»: Թեև դրական միջինով հետևողական և կայուն ռեկորդը հիանալի բան կլինի, եթե ռեկորդը բացասական շեղում ունի, ապա դուք պետք է զգույշ լինեք:
