㈠ （译）异常值处理
异常值是每个人都知道的统计问题之一，但大多数人都不确定要如何处理。许多统计量（如平均值，标准差和相关系数）以及每个基于这些数值的统计量都对异常值高度敏感。由于常见统计过程的假设（如线性回归和 ANOVA ）也是基于这些统计数据，因此异常值可能会干扰你的分析。
在决策之前调查异常值的性质非常重要。
那么在你不应该删除异常值的情况下，你会怎么做？
一种选择是尝试进行转换。平方根和对数转换都会得到很高的数字。如果异常值是一个独立变量，则可以减少单个点的影响。
另一种选择是尝试不同的模型。这应该谨慎进行，但可能是非线性模型更适合。例如，在示例3中，可能指数曲线拟合包含异常值的完整数据。
无论采用哪种方法，你都需要充分了解你的数据和研究领域。尝试不同的方法，看看哪个更具有理论意义。
原文链接： Outliers: To Drop or Not to Drop
㈡ 如何用统计方法去除一组数中的异常值
可以选择以下方法。用线性回归的办法求得某一点到直线最远，去除这一点即可。异常值也称离群值,具体地说,判断标准依据实际情况,根据业务知识及实际需要而定。
要是一般地说,可以用公式计算：
upper adjacent value = 75th percentile + (75th percentile – 25th percentile) * 1.5。
lower adjacent value = 25th percentile – (75th percentile – 25th percentile) * 1.5。
(2)删除异常值是什么意思扩展阅读：
计算统计量：
μ=(X1+X2+…+Xn)/n。
s=(∑(Xi-μ)/(n-1))½(i=1,2…n)。
Gn=(X(n)-μ)/s。
式中μ——样本平均值；
s——样本标准差；
Gn——格拉布斯检验统计量。
确定检出水平α，查表（见GB4883）得出对应n，α的格拉布斯检验临界值G1-α(n)。当Gn>G1-α(n),则判断Xn为异常值，否则无异常值。给出剔除水平α’的G1-α’(n),当当Gn>G1-α’(n)时,Xn为高度异常值，应剔除。
㈢ Winsorize数据处理和删除异常值的区别是什么
您好，1、winsorize是用相应分位数的值替代分位数之外的值，而不是删掉，这样可以最大限度的保存数据信息另外，这个跟数据多少没关系。主要是根据已有文献来的，如果别人用winsorize你也要用，否则你的结论和别人的没有可比性。不过就我看来，至少在金融领域，使用winsorize比较普遍，删除异常值的做法越来越少的被使用了。
2、异常值处理，原理大致是将异常值修建成与正常分布最大值or 最小值相同。
eg，如果你的log_size都在20左右，例如在15~20之间区间浮动，有些特别大或特别小的值出现，用winsorize就会把他们变成区间的最大值or最小值。这个“特别大”or“特别小”是你自己可以定义的，如果你认为比20高出10%算作异常值，那么22就会被修改成20，放在样本里。
㈣ 异常值处理
异常值处理的常用方法：直接将该条观测删除在SPSS软件里有2种不同的删除方法，整条删除和成对删除。
Gn——格拉布斯检验统计量：
确定检出水平α，查表（见GB4883）得出对应n，α的格拉布斯检验临界值G1-α(n)。
当Gn>G1-α(n),则判断Xn为异常值，否则无异常值。
给出剔除水平α’的G1-α’(n),当当Gn>G1-α’(n)时,Xn为高度异常值，应剔除。
测区混凝土强度标准差：
取检出水平α为5%，剔除水平α’为1%，按双侧情形检验，从附表中查得检出水平α对应格拉布斯检验临界值G0.975,剔除水平α’对应格拉布斯检验临界值G0.995。
若Gn>Gn’，且Gn>G0.975，则判断fn为异常值，否则，判断无异常值；
若Gn>Gn’，且Gn>G0.995，则判断fn为高度异常值，可考虑剔除；
若Gn’>Gn，且Gn’>G0.975，则判断f1为异常值，否则，判断无异常值；
若Gn’>Gn，且Gn’>G0.995，则判断f1为高度异常值，可考虑剔除。
以上内容参考：网络-异常值
㈤ 效度是要删除异常值之后再测吗
效度是要删除异常值之后再测。效度是要删除异常值之后再测，异常值是效度已出现异常才会显示的值，故需将异常值删除后待效度值校正后再测，出来的数据才是正确的。
㈥ 如何剔除数据中的异常值
剔除数据中的异常值的方法：
一、异常值检测
异常值的检验有很多种方法，最常见的是图示法，也有使用分析方法进行探索。
箱盒图：实验研究时经常使用，非常直观的展示出异常数据。
散点图：研究X和Y的关系时，可直观展示查看是否有异常数据。
描述分析：可通过最大最小值等各类指标大致判断数据是否有异常。
其它：比如结合正态分布图，频数分析等判断是否有异常值。
二、异常值判定
上述已经说明异常值会带来严重的影响，扭曲数据结论等。那么首先需要设定异常值的标准，然后再对其进行处理。异常值的判定标准并不统一，更多是通过人为标准进行设定，SPSSAU提供以下几类判定规则：
1、设置为Null值；此类处理最简单，而且绝大多数情况下均使用此类处理；直接将异常值“干掉”，相当于没有该异常值。如果异常值不多时建议使用此类方法。
2、填补；如果异常值非常多时，则可能需要进行填补设置，SPSSAU共提供平均值，中位数，众数和随机数共四种填补方式。建议使用平均值填补方式。