数据中的异常值，不应直接删除吗？

不少人曾问我：我的数据资料；还有出现异常倍数，确实应该删掉？要回答这个问题，我们不必从出现异常倍数的定义来谈起。有可能有的人确信出现异常倍数很好理解，不就是“出现异常”的倍数吗？关键因素是，怎样方能出现异常呢？由此可知：在10个数据资料当中（下图红色点）人为申请加入红、绿、粉深蓝色的3个点，它们都是出现异常倍数吗？出现异常倍数其实是一个非常宽泛的定义，它有数包含了三种情形：(1) 离群倍数（outliner）离群倍数是就是指从因变量y的出发点来看归入出现异常的倍数，如图当中的深蓝色点和浅绿色点，朝向y的均倍数较其它点更更远。离群倍数并不一定使用学生化残差来断定。(2) 高杠杆倍数（high leverage）高杠杆倍数是就是指从自变量x的出发点来看归入出现异常的倍数，如图当中的粉深蓝色点和浅绿色点，在x轴上朝向x的均倍数较更远。高杠杆倍数并不一定使用杠杆倍数来断定。(3) 弱制约倍数（influential observation）弱制约倍数是就是指对仿真制约较多的倍数，意味著，如果删掉了该倍数，不会随之而来仿真时有发生很大变化（如下式倍数转变较多）。弱制约点并不一定使用COOK'D倍数、DFBETAS和DFFITS来断定。下图相比较了各有不同出现异常倍数对仿真二阶效果的制约。图当中红色实两条路线回应不含这3个出现异常倍数的二阶两条路线，浅绿色、深蓝色、粉深蓝色直两条路线分别回应含浅绿色点、深蓝色点、粉深蓝色点时的二阶两条路线。不难看出，掺入浅绿色点时，对仿真二阶制约基本上不大（与红色实两条路线基本上重合）；掺入粉深蓝色点时，二阶两条路线被向下帕低，即复归下式更远高于红色实两条路线；掺入深蓝色点时，二阶两条路线也被帕低。如果要断定的话，浅绿色点虽然从x方向和y方向上都朝向均倍数，但却不是弱制约点；粉深蓝色点和深蓝色点才是弱制约点，因为单独的任一点马上可以随之而来下式时有发生很大变化。我们现在仍未确信了如何断定一个点确实出现异常点，紧接着的问题就是，如果我发掘出了出现异常点，应该怎么西北侧理？不少人从前简单粗暴的方法，即这样一来删掉。这并不是比较好的办法，有时甚至不会让你错过一些真正的规律性。当你发掘出出现异常倍数后，一定要必先分清是什么原因随之而来的出现异常倍数，然后再顾虑如何西北侧理。如果是归入记入出错或的实验室日志出错等，这很容易，立刻修改才会。如果不是记入出错，而是确实发挥作用这样的出现异常倍数，这时必须根据各有不同情形来分别对待。首必先，如果这一出现异常倍数并不代表者一种规律性性的，而是极其偶遇的周期性，或者说你并一定会研究课题这种偶遇的周期性，这时可以将其删掉。由此可知如，你要研究课题胸围与血压的人关系，但你的研究课题人群当中恰好划定了马布里，这种但不会，可以将其删掉，只用其他人进行量化。因为这并不代表者一种规律性性的周期性，而且你有可能也一定会研究课题独有的情况。其次，如果出现异常倍数发挥作用且代表者了一种真实发挥作用的周期性，那就不用平常删掉。比如实地调查了100个村的肝癌发病率，有可能确实有个别村庄的发病率更远更远高于其它村，这时就不用平常删掉，而是要把这些出现异常点划定，再度二阶仿真，研究课题其规律性。由此可知：某的实验室检测了细菌培养菌群存量与时长的人关系，试进行量化。很明显，下图当中的两个红点是出现异常点，可以让一维复归的下式时有发生轻微变化。那这种但不会到底必须删掉这两个倍数呢？首必先看一下这两个倍数到底实验误差，如果这两个倍数是准确的，那它很有可能代表者了一种实情。意味著，短期内增长减慢，但是到了一个关键因素时长点后（如30），繁殖地存量就不会激增。此时如果你这样一来删掉这两个点，就无法真正发掘出这种规律性。所以我们可以划定这两个点，但是不用二阶一维复归，而是要根据其形状二阶非一维仿真。如此西北侧可以顾虑对时长time进行就是指数变换，可以发掘出变换后仿真更能有效地二阶数据资料。