剔除异常值栅格计算器_异常数据及偏离数据处理原则

在科研数据的比较中，经常会出现因为某一个或者某一些数据的过分偏离，导致在将此组数据与其它组进行比较时没有统计学差异，比如p值恰好为0.06。这个时候如果能剔除掉一些偏离的数据值，可能再比较就能出现想要的p<0.05了。
但是，问题来了，毕竟不能为了差异而差异吧。如果审稿人需要原始数据，或者老板问起来，要是没有一个信服的解释，那恐怕也难过关了。其它通过原则性的统计学方法剔除异常数据的手段是有的，还不少呢。

异常数据判别法则：

• 拉依达准则
• 肖维勒准则
• 格拉布斯准则
• 狄克逊准则
• t检验（罗马诺夫斯基准则）
• 极差法

1 拉依达准则

此法无需查表，使用简便。

如果实验数据的总体x是服从正态分布的，则可根据公式进行判断：p(|x-μ|>3σ) <= 0.003

即，对于大于μ+3σ或小于μ-3σ的实验数据，视为异常数据，予以剔除。剔除后，对余下的各测量值重新计算偏差和标准偏差，并继续审查，直到各个偏差均小于3σ为止。

注：拉依达准则不能检验样本量较小的情况。（显著性水平为0.1时，n必须大于10）

2 肖维勒准则

肖维勒准则又称为等概率原则，以正态分布为前提, 假设多次重复测量所得n个测量值中, 某个测量值的残余误差|vi|= >Zcσ,则剔除此数据。

实用中Zc<3, 所以在一定程度上弥补了3σ准则的不足，另外考虑了测量次数的因素