توضیح میانگین وینسورایز شده (Winsorized Mean)

میانگین وینسورایز شده (Winsorized Mean) یک روش میانگین گیری است که در آن، کوچک ترین و بزرگ ترین مقادیر در یک مجموعه داده با نزدیک ترین مشاهدات به آن ها جایگزین می شوند تا از تاثیر مخرب داده های پرت (Outliers) بر محاسبات کاسته شود.

نکات کلیدی

• میانگین وینسورایز شده یک متد میانگین گیری است که داده های پرت را با نزدیک ترین مقادیر جایگزین می کند تا اثر آن ها را بر نتیجه محاسبات محدود کند.
• برخلاف میانگینِ برش خورده (Trimmed Mean)، میانگین وینسورایز شده بخش بیشتری از پراکندگی و تنوع داده ها را حفظ می کند، که این ویژگی آن را در برابر داده های پرت مقاوم تر (Robust) می سازد.
• سطوح وینسورایزیشن تعیین می کنند که چه تعداد از مقادیر افراطی و به چه شکلی باید تعدیل شوند؛ انتخابی که می تواند تأثیر چشمگیری بر نتایج تحلیل بگذارد.
• این نوع میانگین به ویژه در حوزه های مالی، مراقبت های بهداشتی و آموزش که در آن ها چولگی داده ها (Data Skewness) و نقاط پرت بسیار شایع است، کاربرد فراوانی دارد.
• با وجود اینکه این روش اثر داده های پرت را کاهش می دهد، اما از آنجا که ویژگی های اصلی و اولیه مجموعه داده را دستکاری می کند، ممکن است درجاتی از سوگیری (Bias) را به همراه داشته باشد.

میانگین وینسورایز شده چیست؟

میانگین وینسورایز شده یک تکنیک میانگین گیری است که در گام اول، کوچک ترین و بزرگ ترین مقادیر را با نزدیک ترین داده های معتبر موجود در مجموعه جایگزین می کند. هدف از این کار، محدود کردن اثرات مخرب داده های پرت یا مقادیر افراطی بر روی یک محاسبه است. در تحلیل های مالی، از این روش برای کاهش خطای ناشی از داده های نامتعارف (Outlier Bias) استفاده می شود.

در بازارهای مالی بین المللی پرنوسان مانند فارکس و ارزهای دیجیتال، پدیده هایی نظیر «فلش کرش» (Flash Crash) یا اسپایک های قیمتی ناگهانی (مثل شدوهای بسیار بلند در کندل ها) می توانند اندیکاتورها و میانگین های متحرک سنتی را به شدت دچار خطا کنند. استفاده از تکنیک هایی مانند وینسورایزینگ به تریدرهای الگوریتمی و تحلیلگران کمی (Quant Analysts) کمک می کند تا نویزهای قیمتی را فیلتر کرده و دیتای تمیزتری برای بک تست استراتژی های معاملاتی خود استخراج کنند.

پس از جایگزینی مقادیر پرت، از فرمول میانگین حسابی برای محاسبه میانگین وینسورایز شده استفاده می گردد. این روش با «میانگین برش خورده» متفاوت است؛ چرا که در روش برش خورده، مقادیر پرت به طور کامل و بدون هیچ جایگزینی حذف می شوند. در ادامه محاسبات و مزایای این روش را توضیح خواهیم داد.

راهنمای گام به گام محاسبه میانگین وینسورایز شده

فرمول ریاضی این روش به شکل زیر بیان می شود:

Winsorized Mean=Nxn​+⋯+xn+1​+xn+2​+⋯+xN−n​​ / N

که در آن:

• n = تعداد بزرگ ترین و کوچک ترین نقاط داده ای که قرار است با نزدیک ترین مشاهدات جایگزین شوند.
• N = تعداد کل نقاط داده در مجموعه.

میانگین های وینسورایز شده را می توان به دو شکل بیان کرد: میانگین وینسورایز شده “kn” که در آن “k” کوچک ترین و بزرگ ترین مقادیر جایگزین می شوند (جایی که k یک عدد صحیح است)؛ و میانگین وینسورایز شده “X%” که درصدی از مقادیر را از هر دو انتهای مجموعه داده جایگزین می کند.

نکته مهم: برای یافتن میانگین وینسورایز شده، ابتدا کوچک ترین و بزرگ ترین نقاط داده را جایگزین کنید، سپس تمامی مقادیر را با هم جمع کرده و بر تعداد کل نقاط داده تقسیم نمایید.

تحلیل بینش های حاصل از میانگین وینسورایز شده

میانگین وینسورایز شده حساسیت کمتری نسبت به داده های پرت دارد، زیرا آن ها را با مقادیر معتدل تری جایگزین می کند. به بیان دیگر، این میانگین در مقایسه با میانگین حسابی سنتی، در برابر مقادیر افراطی آسیب پذیری بسیار کمتری دارد.

با این حال، اگر یک توزیع دارای «دم های پهن» (Fat Tails) باشد – مفهومی که در بازارهای مالی، به ویژه بازار کریپتوکارنسی بسیار دیده می شود و نشانگر احتمال بالای وقوع رویدادهای نادر و شدید مثل «قوی سیاه» است – اثر حذف بالاترین و پایین ترین مقادیر ممکن است به دلیل پراکندگی ذاتی و بالای ارقام، تاثیر چندانی در نتیجه نهایی نداشته باشد.

یکی از نقاط ضعف اصلی میانگین های وینسورایز شده این است که به طور طبیعی مقداری سوگیری (Bias) وارد مجموعه داده می کنند. با کاهش تأثیر داده های پرت، اگرچه تحلیل ما شکل بهتری به خود می گیرد، اما همزمان بخشی از اطلاعات ارزشمند پنهان در ساختار اصلی داده ها نیز از بین می رود.

مزایای استفاده از میانگین وینسورایز شده در تحلیل آماری

استفاده از میانگین وینسورایز شده در شرایط خاصی بهترین انتخاب است. در ادامه موارد کلی را فهرست کرده و در بخش بعدی مثال های خاصی ارائه خواهیم داد. از این میانگین در شرایط زیر استفاده کنید:

• وجود داده های پرت در مجموعه: زمانی که دیتاست شما حاوی داده های پرت یا مقادیر افراطی است که با دیگر نقاط به شدت تفاوت دارند، استفاده از میانگین حسابی متداول ممکن است نتایج غلطی به بار بیاورد. میانگین وینسورایز شده تصویر دقیق تری از گرایش به مرکز (Central Tendency) ارائه داده و تأثیر این داده های پرت را کم می کند.
• توزیع های چوله (Skewed Distributions): میانگین وینسورایز شده برای داده هایی که توزیع نامتقارن و چوله دارند (که معمولاً دارای مقادیر افراطی و دم های بلند هستند) بسیار مفید است. برای کاهش چولگی و رسیدن به تخمین معتبرتری از نقطه مرکزی داده ها، از وینسورایزینگ استفاده می شود.
• داده های دارای خطای اندازه گیری: گاهی اوقات خطاهای اندازه گیری (مثلاً قطعی سرور یا دیتای اشتباه یک بروکر) باعث ایجاد داده های پرت می شوند. میانگین وینسورایز شده می تواند اثرات این خطاهای محاسباتی را تعدیل کند.
• نوسانات موقتی ارزش: برای مثال، یک شدو (Shadow) بسیار بلند در کندل استیک روزانه طلا (XAU/USD) که ناشی از اعلام غیرمنتظره و ناگهانی نرخ بهره توسط فدرال رزرو است، یک نوسان موقت محسوب می شود. میانگین وینسورایز شده در چنین سناریوهایی که نوسانات کوتاه ممکن است ارقام را به شدت تغییر دهند، بسیار مفید است زیرا در برابر این شوک ها مقاومت می کند. در طول زمان، این میانگین با جایگزین کردن این داده های نامتعارف، پایدارتر و قابل اتکاتر می شود.
• حجم نمونه محدود (Limited Sample Size): هنگامی که تعداد نقاط داده کم و حجم نمونه کوچک است، تأثیر داده های پرت بر میانگین سنتی بسیار شدیدتر خواهد بود. در چنین مواقعی، میانگین وینسورایز شده می تواند برآورد بسیار دقیق تری از وضعیت کلی داده ها ارائه دهد.

انتخاب سطح بهینه وینسورایزیشن برای نتایج دقیق

سطح وینسورایزیشن (Winsorization Level) برای استفاده موثر از این ابزار عاملی حیاتی است. این سطح تعیین می کند که چه درصدی از مقادیر افراطی باید با مقادیر معتدل تر جایگزین شوند. برای تعیین سطح مناسب، باید به کاوش در داده ها، تکیه بر دانش تخصصی آن حوزه، انجام تحلیل های حساسیت و مشورت با متخصصانی که با شکل داده های افراطی آن صنعت آشنایی دارند، بپردازید.

در هنگام تعیین این سطح، درک ماهیت داده های پرت و علل به وجود آمدن آن ها به انتخاب سطح درست کمک می کند. از آنجا که مقادیر پرت می توانند تحلیل آماری را منحرف کنند، در صورت تاثیرگذاری بیش از حد آن ها، استفاده از یک سطح بالای وینسورایزیشن مفید خواهد بود. اما اگر هدف، حفظ بخشی از ویژگی های اصیل داده ها باشد، باید سطح پایین تری را انتخاب کرد. هنگام تعیین این مقدار، بسنجید که حفظ ساختار اولیه داده ها چقدر برایتان اهمیت دارد.

در بسیاری از موارد، داشتن دانش و تسلط بر حوزه داده ها (مثلاً روانشناسی بازار و درک نوسانات نرمال یک جفت ارز خاص) برای تنظیم سطح وینسورایزیشن ضروری است. رنج و محدوده طبیعی یک مجموعه داده را در نظر بگیرید. بدون آگاهی از تاریخچه قیمتی و دانش ضمنی پیرامون چرخه های اقتصادی، تشخیص «دیتای بد» و فیلتر کردن آن بسیار دشوار خواهد بود.

کاربردهای عملی میانگین وینسورایز شده در صنایع مختلف

صنایع و موقعیت های متعددی وجود دارند که در آن ها استفاده از این روش منطقی تر از سایر شیوه های اندازه گیری است:

میانگین وینسورایز شده در تحلیل های مالی و سرمایه گذاری

نوسانات بازار می توانند تأثیرات بنیادینی بر داده های مالی داشته باشند. در دنیای مالی و سرمایه گذاری، قیمت سهام، بازده دارایی ها و سایر شاخص های کلان اقتصادی ممکن است نوسانات شدیدی را ثبت کنند. زمانی که برآوردهای دیتای مالی به کمک میانگین وینسورایز شده محاسبه شوند، اثرات نوسانات قیمتیِ خشن و داده های پرت به طرز چشمگیری کاسته می شود.

تنظیم لیست حقوق و دستمزد

توزیع حقوق ها در یک سازمان گاهی می تواند به شدت دچار چولگی باشد. این امر به ویژه در بخش هایی که شکاف درآمدی عظیمی وجود دارد و یا به کارکنان باسابقه پاداش های نجومی داده می شود (و در مقابل مبتدیان دریافتی پایینی دارند) صادق است. میانگین وینسورایز شده اثر درآمدهای بسیار بالا و بسیار پایین را خنثی کرده و چشم انداز شفاف تری از رنج حقوقی معمول ارائه می دهد.

کاربرد در تحلیل داده های مراقبت های بهداشتی (Healthcare)

به دلیل شرایط خاص پزشکی یا ابزارهای اندازه گیری شدید، داده های پزشکی ممکن است دارای نقاط پرت باشند. شاخص های سلامتی نظیر فشار خون، سطح کلسترول یا دوره ریکاوری بیمار با حذف مقادیر افراطی بهتر تحلیل می شوند.

کاربرد در داده های آموزشی

به دلایل مختلف، برخی دانش آموزان ممکن است نمرات به شدت بالا یا پایینی در آزمون ها کسب کنند. لحاظ کردن این نمرات غیرعادی در هنگام ارزیابی عملکرد یک کلاس کامل، ممکن است گمراه کننده باشد.

بهبود معیارهای رضایت مشتری

در ارزیابی رضایت مشتریان، ممکن است به خاطر درصد بسیار کوچکی از خریداران که بازخوردهای به شدت مثبت یا به شدت منفی ثبت کرده اند، میانگین کل تغییر کند. میانگین وینسورایز شده با حذف اثر این نظرات افراطی، تصویر واقعی تری از میزان رضایتمندی کلی ارائه می نماید.

استفاده در تحلیل داده های زیست محیطی

با توجه به افزایش رخدادهای نامتعارف آب و هوایی، گاهی بررسی داده های اقلیمی بدون لحاظ کردن این رخدادهای شدید، اطلاعات مفیدتری به همراه دارد.

مثال های عملی و محاسبات

بیایید میانگین وینسورایز شده را برای این مجموعه داده حساب کنیم: $1, 5, 7, 8, 9, 10, 34$. در این مثال، فرض می کنیم میانگین وینسورایز شده از مرتبه اول است؛ یعنی تنها کوچک ترین و بزرگ ترین مقادیر را با نزدیک ترین مشاهداتشان جایگزین می کنیم.

مجموعه داده به این شکل درمی آید: $5, 5, 7, 8, 9, 10, 10$. با گرفتن یک میانگین حسابی ساده از این مجموعه جدید، میانگین وینسورایز شده برابر با $7.7$ به دست می آید (مجموع داده ها یعنی $54$ تقسیم بر $7$). میانگین حسابی عادی برای این اعداد $10.6$ می شد، که به خاطر وجود عدد $34$ (داده پرت) بسیار بالاتر از واقعیتِ توزیعِ داده است.

همچنین یک وینسورایزیشن $20\%$ را در نظر بگیرید که $10\%$ بالا و $10\%$ پایین داده ها را با نزدیک ترین مقدار مجاور جایگزین می کند. ما این مجموعه را وینسورایز می کنیم: $2, 4, 7, 8, 11, 14, 18, 23, 23, 27, 35, 40, 49, 50, 55, 60, 61, 61, 62, 75$.

از آنجا که $20\%$ از این $20$ نقطه داده ای معادل ۴ داده است، دو نقطه ابتدایی و دو نقطه انتهایی با نزدیک ترین اعداد جایگزین می شوند. مجموعه جدید عبارت است از: $7, 7, 7, 8, 11, 14, 18, 23, 23, 27, 35, 40, 49, 50, 55, 60, 61, 61, 61, 61$. میانگین وینسورایز شده معادل $33.9$ خواهد بود (مجموع کل یعنی $678$ تقسیم بر $20$).

مقایسه میانگین وینسورایز شده با دیگر متدهای آماری

انواع دیگری از میانگین ها و معیارهایی نظیر میانه نیز وجود دارند. به طور کلی، میانگین وینسورایز شده نسبت به سایر مدل ها مقاومت بیشتری در برابر داده های پرت دارد:

• میانگین سنتی/حسابی (Arithmetic Mean): حاصل جمع کل داده ها تقسیم بر تعداد آن هاست. به شدت در برابر داده های افراطی حساس است.
• میانگین برش خورده (Trimmed Mean): این روش شامل حذف کامل درصدی از مقادیر افراطی از دو سر مجموعه داده است. نسبت به میانگین حسابی مقاومت بهتری در برابر نویزها دارد، اما دیتای بیشتری را از دست می دهد.
• میانه (Median): اصلاً یک محاسبه میانگین نیست، بلکه فقط مقدار وسطِ یک دیتاستِ مرتب شده را نشان می دهد. میانه تحت تاثیر مقادیر افراطی قرار نمی گیرد زیرا فقط روی ارزش مرکزی تمرکز دارد.

نتیجه گیری

میانگین وینسورایز شده تکنیکی برای محاسبه معدل یک دیتاست است که مقادیر پرت و افراطی را با دیتای معتدل تری جایگزین می کند. این رویکرد، ضمن حفظ تعادل گرایش به مرکز، تخمینی مستحکم تر و دور از نویز ارائه می دهد. البته این روش همچنان مستعد سوگیری است، اما به خاطر کارایی اثبات شده اش، در تحلیل های مالی، بهداشت و سایر حوزه ها کاربرد وسیعی دارد.

سؤالات متداول

1. آیا میانگین وینسورایز شده می تواند چندین نقطه پرت را مدیریت کند؟

   ‌بله، به شکلی موثر درصدی مشخص از مقادیر افراطی را جایگزین می کند و با این کار حساسیت داده ها در برابر تعدد این نقاط را می گیرد.

2. آیا می توان از این متد برای داده های غیر عددی استفاده کرد؟

   ‌خیر. این روش عمدتاً برای مقادیر عددی طراحی شده است. برای دیتای متنی یا متغیرهای دسته بندی شده، تکنیک های پیش پردازش دیگری مناسب تر هستند.

3. آیا میانگین وینسورایز شده پراکندگی و تنوع داده ها را حفظ می کند؟

   ‌بله، این روش پراکندگی داده ها را نسبت به میانگین برش خورده بهتر حفظ می کند، چرا که داده های افراطی را تنها با مقادیر نزدیک به مرکزِ توزیع، جایگزین می نماید و رنج اولیه داده ها را تا حد امکان دست نخورده باقی می گذارد.

4. اثر میانگین وینسورایز شده بر آزمون فرضیه (Hypothesis Testing) چیست؟

   ‌با کاهش تأثیر داده های افراطی، این ابزار می تواند نتایج آزمون های فرضیه را در داده های چوله و غیرنرمال به شدت قابل اتکاتر کند.