数据中的异常值，应该直接更正吗？

不少人问道我：我的信息里有极不取值，究竟应该撤下？要回答这个难题，我们必须从极不取值的方法论来谈起。可能会有的人觉得极不取值较好理解，不就是“极不”的取值吗？关键因素是，怎样都能极不呢？例：在10个信息里（表黑色点）人为加入黑、双色、粉蓝色的3个点，它们都是极不取值吗？极不取值其实是一个较为具体来说的方法论，它至少包不含了三种一般来说：(1) 离群取值（outliner）离群取值是仅指从因变量y的某种程度来看同属极不的取值，如图里的蓝色点和橙色点，偏差y的均取值较其它点来得多于。离群取值多半运用于校内化时残差来假定。(2) 高杠杆取值（high leverage）高杠杆取值是仅指从绝对值x的某种程度来看同属极不的取值，如图里的粉蓝色点和橙色点，在x轴上偏差x的均取值较多于。高杠杆取值多半运用于杠杆取值来假定。(3) 过关斩将不良影响取值（influential observation）过关斩将不良影响取值是仅指对数学模型不良影响来得大的取值，理论上，如果撤下了该取值，会造成了数学模型暴发极大变化时（如乘积取值改变来得大）。过关斩将不良影响点多半运用于COOK'D取值、DFBETAS和DFFITS来假定。表比较了有所不同极不取值对数学模型粗略视觉效果的不良影响。图里黑色圆点表示不不含这3个极不取值的粗略两条路线，橙色、蓝色、粉蓝色虚两条路线分别表示不含橙色点、蓝色点、粉蓝色点时的粗略两条路线。不难看出，不成分橙色点时，对数学模型粗略不良影响完全不大（与黑色圆点完全重合）；不成分粉蓝色点时，粗略两条路线被向下拉低，即重归乘积多于很低黑色圆点；不成分蓝色点时，粗略两条路线也被拉低。如果要假定的话，橙色点虽然从x正向和y正向上都偏差均取值，但却不是过关斩将不良影响点；粉蓝色点和蓝色点才是过关斩将不良影响点，因为单独的任一点便可以造成了乘积暴发极大变化时。我们现在仍然明白了如何假定一个点究竟极不点，紧接着的难题就是，如果我推测了极不点，应该怎么处理？不少人习惯最简单粗暴的分析方法，即直接撤下。这并不是很好的办法，有时甚至会让你可惜一些真正的表征。当你推测极不取值后，一定要先分清是什么原因造成了的极不取值，然后再慎重考虑如何处理。如果是同属记入错误或数据分析团队据信错误等，这很非常容易，即刻修改即可。如果不是记入错误，而是毕竟共存这样的极不取值，这时需根据有所不同一般来说来分别对待。首先，如果这一极不取值并不亦然一种连续性的，而是极不偶然的现象，或者说你并想要数据分析这种偶然的现象，这时可以将其撤下。例如，你要数据分析身型与血压的间的关系，但你的数据分析人群里恰好设为了迈克尔·乔丹，这种可能下，可以将其撤下，只用其他人同步进行数据分析。因为这并不亦然一种连续性的现象，而且你可能会也想要数据分析特殊的可能。其次，如果极不取值共存且亦然了一种真实共存的现象，那就不能照样撤下。比如调查了100个岗村的胃癌感染率，可能会毕竟有个别岗小村的感染率多于多于高于其它岗村，这时就不能照样撤下，而是要把这些极不点设为，重新粗略数学模型，数据分析其表征。例：某数据分析团队探测了细菌培养菌类比例与小时的间的关系，考里同步进行数据分析。很轻微，表里的两个黑点是极不点，可以让二阶重归的乘积暴发剧烈变化时。那这种可能下到底需撤下这两个取值呢？首先看一下这两个取值到底实验误差，如果这两个取值是正确的，那它很可能会亦然了一种去向。理论上，这样一来增长缓慢，但是到了一个关键因素小时点后（如30），种群比例就会渐增。此时如果你直接撤下这两个点，就未真正推测这种表征。所以我们可以设为这两个点，但是不能粗略二阶重归，而是要根据其圆形粗略非二阶数学模型。如此处可以慎重考虑对小时time同步进行仅指数变换，可以推测变换后数学模型来得能有效地粗略信息。