เครื่องมือคำนวณหาค่าความโด่ง (Kurtosis)

ความโด่ง (Kurtosis) คืออะไร? สถิติเพื่อการวิเคราะห์ลักษณะหางของการแจกแจง

ในทางสถิติศาสตร์ ความโด่ง (Kurtosis) คือค่าวัดรูปทรงของการแจกแจงความน่าจะเป็น (Probability Distribution) โดยในอดีตมักจะเข้าใจผิดว่าความโด่งคือการวัด "ความแหลม" ของยอดกราฟ แต่ในความจริงแล้ว ตามนิยามทางคณิตศาสตร์สมัยใหม่ ความโด่งคือมาตรวัดที่เน้นไปที่ "น้ำหนักของหาง (Tails) หรือค่าสุดโต่ง (Outliers)" ของการแจกแจงมากกว่าส่วนยอด หากข้อมูลมีค่าความโด่งสูง แสดงว่าข้อมูลชุดนั้นมีค่าสุดโต่งหรือส่วนหางที่หนากว่าการแจกแจงแบบปกติ (Normal Distribution)

ประเภทของความโด่ง (Types of Kurtosis)

การวัดความโด่งในซอฟต์แวร์ทางสถิติ (เช่น Excel, SPSS) มักใช้ ความโด่งส่วนเกิน (Excess Kurtosis) ซึ่งเป็นการนำค่า Kurtosis ปกติมาลบด้วย 3 (ค่าของโค้งปกติ) เพื่อให้การเปรียบเทียบกับโค้งปกติทำได้ง่าย โดยใช้ค่า 0 เป็นเกณฑ์ แบ่งออกได้ 3 รูปแบบคือ:

1. Mesokurtic (เมโซเคอร์ติก): เมื่อค่า Excess Kurtosis ≈ 0 การแจกแจงจะมีความโด่งและหางเทียบเท่ากับการแจกแจงแบบปกติเป๊ะ ข้อมูลจะไม่ได้รวมตัวกันสุดโต่งและไม่ได้แบนราบเกินไป
2. Leptokurtic (เลปโตเคอร์ติก): เมื่อค่า Excess Kurtosis > 0 การแจกแจงมี "หางหนา (Heavy tails)" หมายความว่ามีโอกาสเกิดค่าสุดโต่งหรือค่าที่ห่างจากค่าเฉลี่ยมากๆ ได้สูงกว่าปกติ กราฟมักจะมียอดที่แหลมสูงพุ่งขึ้นตรงกลางและหางยาวออกไปไกลกว่าโค้งปกติ
3. Platykurtic (แพลตีเคอร์ติก): เมื่อค่า Excess Kurtosis < 0 การแจกแจงมี "หางบาง (Light tails)" ข้อมูลมักจะเกาะกลุ่มกัน ไม่ค่อยมีค่าสุดโต่งที่หลุดวงโคจรไปไกลๆ กราฟจะมีลักษณะยอดค่อนข้างแบนราบและหางสั้นกว่าโค้งปกติ

สูตรที่ใช้คำนวณค่าความโด่ง (Formulas)

การคำนวณหาค่าความโด่งส่วนเกิน (Excess Kurtosis) แบ่งเป็น 2 สูตรเช่นเดียวกับสถิติตัวอื่นๆ:

1. สูตรความโด่งประชากร (Population Excess Kurtosis):

G₂ = [ Σ(x_i - μ)⁴ / (N × σ⁴) ] - 3

โดยที่ μ คือค่าเฉลี่ย, σ คือส่วนเบี่ยงเบนมาตรฐานประชากร, และ N คือขนาดประชากร

2. สูตรความโด่งกลุ่มตัวอย่าง (Sample Excess Kurtosis):

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

นี่คือสูตรที่โปรแกรม Excel (ฟังก์ชัน KURT) ใช้คำนวณ เป็นสูตรที่มีการปรับค่า Bias ให้ลดลง เหมาะสำหรับการใช้คำนวณข้อมูลจากการสุ่มตัวอย่าง เครื่องมือบนเว็บไซต์นี้ของเราก็ใช้สูตรนี้เป็นหลักในการคำนวณ Sample Kurtosis

ทำไมการรู้ค่าความโด่งจึงมีความสำคัญ?

ในทางปฏิบัติ การวัดความโด่งมีความสำคัญอย่างมากในด้านบริหารความเสี่ยง (Risk Management) ทางการเงิน หากพอร์ตการลงทุนหนึ่งมีค่าความโด่งสูง (Leptokurtic) หมายความว่าแม้ผลตอบแทนส่วนใหญ่จะเกาะกลุ่มกัน แต่ก็มีโอกาสเผชิญกับ "เหตุการณ์สุดวิสัย หรือ Black Swan" ได้สูง ซึ่งผลตอบแทนอาจจะบวกมหาศาล หรือติดลบรุนแรงได้อย่างไม่คาดคิด ดังนั้นนักลงทุนและนักวิเคราะห์ความเสี่ยงจึงมักนำค่า Kurtosis และ Skewness มาใช้วิเคราะห์ร่วมกันเพื่อประเมินความเสี่ยงที่แท้จริงของการลงทุน นอกเหนือจากนี้ยังใช้ในการตรวจสอบสมมติฐาน (Assumptions) ก่อนนำข้อมูลเข้าสู่กระบวนการสถิติเชิงอนุมานต่างๆ อีกด้วย