异常值消除在拟合错误模型时会产生误导

上图左侧面板显示的是剂量反应曲线拟合的数据。在该图中，有一个点是明显的异常值。但这种解读假定您选择了正确的模型。右图显示的是与另一种钟形剂量反应模型拟合的数据，在该模型中，高剂量引起的反应比中等剂量引起的反应要小。数据与该模型拟合得非常好，没有发现（甚至没有怀疑）异常值。

本示例指出，只有在确定拟合的模型正确时，才适合消除异常值。

当数据点不独立时，异常值消除会产生误导

上图左侧面板显示的是剂量-反应模型拟合的数据，其中有一个点（右上角）被检测为异常值。右图显示的数据实际上来自两个不同的实验。第二个实验（用向上的三角形表示）的下高原和上高原都高于第一个实验（用向下的三角形表示）。由于这是两个不同的实验，左侧面板的分析违反了独立性假设。当我们分别拟合每个实验运行时，没有检测到异常值。

选择不正确的加权因子时，异常值消除会产生误导

上图左侧面板显示的是剂量反应模型拟合的数据。发现了四个异常值（两个几乎叠加）。但请注意，平均而言，反应较大的值（Y 值）也离曲线较远。这使得最小二乘回归并不合适。为了考虑残差的 SD 值与曲线高度成正比这一事实，我们需要使用加权回归。右图显示的是同一剂量反应曲线模型拟合的相同数据，但使用了相对权重法，最小化了点到曲线的距离除以曲线高度的平方和。现在没有发现异常值。使用错误的加权方法会产生异常值。