拟合错误模型时，异常值消除会产生误导

上方左侧窗格显示了拟合到剂量响应曲线的数据。在此图中，其中一个点是明显的异常值。但是该解读假设，您”选择了正确的模型。右图显示了拟合替代钟形剂量反应模型的数据，其中高剂量引起的反应比中等剂量引起的反应小。数据非常符合该模型，未检测到（甚至疑似）异常值。

这一示例指出，仅当您确定拟合的模型正确时，才适合剔除异常值。

数据点不独立时，剔除异常值会产生误导

上图左侧显示了符合剂量反应模型的数据，其中一个点（右上角）经检测为异常值。右图显示数据确实来自两个不同的实验。第二个实验的上下稳定段（用指向上方的三角形显示）均高于第一个实验的上下稳定段（用指向下方的三角形显示）。因为这是两个不同实验，在左图的分析中违反了独立性假设。我们分别拟合每个实验运行时，未检测到异常值。

所选加权因子不正确时，剔除异常值会产生误导

上图左侧显示了符合剂量反应模型的数据。确定了四个异常值（两个几乎重叠）。但请注意，平均来说，反应较大的值（Y值）也离曲线较远。这使得最小二乘回归不适用。为说明残差SD与曲线高度成比例这一事实，我们需要使用加权回归。右图显示了与相同剂量反应模型拟合的相同数据，但使用相对权重，并将点到曲线的距离除以曲线高度的平方和，然后将得出的值最小化。现在未发现异常值，使用错误的加权方法会产生错误的异常值。