Distribusi data dalam statistik menggambarkan bagaimana data tersebar pada suatu variabel, dan salah satu karakteristik penting dari distribusi adalah kemiringan (skewness). Kemiringan menunjukkan arah dan derajat ketidaksimetrian suatu distribusi data terhadap distribusi normal (simetris). Distribusi dikatakan simetris apabila bentuknya seimbang di kedua sisi nilai tengah, seperti distribusi normal. Namun, dalam banyak kasus nyata, data tidak selalu simetris dan dapat condong ke satu sisi—baik ke kanan maupun ke kiri.

Distribusi yang memiliki kemiringan ke kanan (positif) disebut juga positively skewed distribution. Dalam distribusi ini, sebagian besar data berada di sisi kiri (nilai-nilai kecil), sedangkan ekor distribusi memanjang ke kanan (nilai besar). Artinya, terdapat nilai-nilai ekstrem yang besar (outlier) yang menarik rata-rata ke arah kanan. Contoh umum dari distribusi miring ke kanan adalah data penghasilan, di mana sebagian besar orang berpenghasilan rendah atau menengah, dan hanya sedikit yang memiliki penghasilan sangat tinggi.

Sebaliknya, distribusi yang memiliki kemiringan ke kiri (negatif) atau negatively skewed distribution ditandai dengan konsentrasi data di sisi kanan (nilai besar), dengan ekor memanjang ke arah kiri (nilai kecil). Dalam kasus ini, terdapat nilai-nilai ekstrem yang kecil yang membuat distribusi condong ke kiri. Contoh distribusi miring ke kiri misalnya adalah usia pensiun, di mana sebagian besar orang pensiun pada usia tertentu, tetapi ada sedikit orang yang pensiun lebih awal dari biasanya.

Pemahaman mengenai arah kemiringan sangat penting dalam analisis data karena dapat memengaruhi hasil dari ukuran-ukuran statistik seperti mean, median, dan modus. Dalam distribusi miring ke kanan, mean > median > modus, sedangkan pada distribusi miring ke kiri, mean < median < modus. Oleh karena itu, menggunakan mean sebagai ukuran pemusatan pada data yang sangat miring bisa menyesatkan. Selain itu, distribusi yang miring juga memengaruhi pilihan model statistik atau pendekatan pemodelan, karena banyak metode asumsi dasarnya adalah normalitas (simetris).

Untuk mengatasi permasalahan kemiringan pada data, peneliti biasanya menggunakan pendekatan seperti transformasi data (misalnya logaritma atau akar kuadrat), atau memilih distribusi alternatif yang sesuai, seperti distribusi gamma untuk data miring ke kanan. Dalam analisis spasial atau multivariat, model regresi juga dapat disesuaikan agar mampu mengakomodasi distribusi yang tidak simetris ini, seperti pada Geographically Weighted Gamma

Regression (GWGR) atau Geographically Weighted Multivariate Gamma Regression (GWMGR), yang dirancang untuk menangani data dengan kemiringan serta mempertimbangkan variasi antar lokasi geografis.