क्या आउटलेर को डेटा से निकालना ठीक है?

Question

मैंने एक डेटासेट से आउटलेर्स को हटाने का तरीका खोजा और मुझे यह प्रश्न मिला ।

इस सवाल के कुछ टिप्पणियों और उत्तरों में, हालांकि, लोगों ने उल्लेख किया कि डेटा से आउटलेर्स को निकालना बुरा है।

मेरे डेटासेट में मेरे पास कई आउटलेयर हैं जो कि माप त्रुटियों के कारण बहुत संभव हैं। यहां तक ​​कि अगर उनमें से कुछ नहीं हैं, तो मेरे पास केस द्वारा इसे जांचने का कोई तरीका नहीं है, क्योंकि बहुत अधिक डेटा पॉइंट हैं। क्या यह केवल आउटलेर्स को हटाने के लिए सांख्यिकीय रूप से मान्य है? या, यदि नहीं, तो एक और उपाय क्या हो सकता है?

अगर मैं सिर्फ उन बिंदुओं को छोड़ देता हूं, तो वे उदाहरण को इस तरह से प्रभावित करते हैं जो वास्तविकता को प्रतिबिंबित नहीं करता है (क्योंकि उनमें से ज्यादातर वैसे भी त्रुटियां हैं)।

EDIT: मैं त्वचा चालन डेटा के साथ काम कर रहा हूं। अधिकांश चरम मूल्य कलाकृतियों के कारण होते हैं जैसे कि किसी को तारों पर खींचते हैं।

EDIT2: डेटा का विश्लेषण करने में मेरी मुख्य रुचि यह निर्धारित करना है कि क्या दो समूहों के बीच अंतर है

Comments

और आप क्या करना चाहते हैं? डेटा सारांश? भविष्यवाणी का विश्लेषण? डेटा विज़ुअलाइज़ेशन? साबित करना कि दो समूहों के बीच महत्वपूर्ण अंतर नहीं है? सभी डेटा सफाई के साथ, कोई सामान्य उत्तर नहीं है।

— पिओटर मिग्डल

आउटलेयर टैग के साथ प्रश्नों के लिए हमारी साइट खोजें । विशेष रूप से देखें कि रेखीय प्रतिगमन विश्लेषण में आउटलेयर से कैसे निपटा जाना चाहिए? और चाहे मामलों है कि जब कई प्रतिगमन प्रदर्शन सांख्यिकीय सॉफ्टवेयर द्वारा बाहरी कारकों के रूप में चिह्नित किये जाते हैं नष्ट करने के लिए? ।

— Scortchi - को पुनः स्थापित मोनिका

मैं एक इंजीनियर हूँ जो बहुत सारे आँकड़ों के साथ काम करता है। यह एक अस्वीकरण और एक स्वीकारोक्ति थी जिसका अर्थ है कि मुझे उत्पादों को वितरित करना है। हमें केवल "खराब" बिंदुओं को पूरी तरह से हटाने की अनुमति है। क्या आप साबित कर सकते हैं कि यह किसी को तार खींचने से हुआ था? यदि आपको कई इरादतन उपाय मिलते हैं, तो आप बाध्य और वहां क्लस्टर कर सकते हैं। तब आप डेटा को क्लस्टर (पुल-नॉन-पुल) पर विभाजित कर सकते हैं और यह अब आउटलेर के बारे में नहीं है। यदि आप यह साबित नहीं कर सकते हैं कि मूल कारण क्या है, तो आपको इसे बनाए रखना चाहिए। यह भिन्नता को बयां करता है, और यह विश्लेषण का एक बड़ा हिस्सा है। अगर आपको यह पसंद नहीं है तो आप इससे छुटकारा नहीं पा सकते।

— EngrStudent -

मुझे लगता है कि आप गलत अंत से शुरू करते हैं। पहला सवाल यह है कि आप पहली बार में आउटलेर्स की पहचान कैसे करेंगे?

— user603

मनमाने ढंग से पहचाने गए आउटलेर के मनमाने तरीके से हटाने के बजाय, आप कुछ इस तरह से विचार कर सकते हैं "चूंकि मेरे पास मुद्दों से संदूषण है जैसे कि लोग तारों को खींच रहे हैं, मैं कौन सी कार्यप्रणाली का उपयोग कर सकता हूं जो इस तरह के संदूषण से बुरी तरह प्रभावित नहीं हैं?"

— Glen_b -Reinstate मोनिका

Answer 1

मैं मुख्य विश्लेषण में किसी भी बाहरी को बाहर करने की सिफारिश नहीं करता हूं (जब तक कि आप वास्तव में सकारात्मक नहीं हैं कि वे गलत हैं)। आप इसे एक संवेदनशीलता विश्लेषण में कर सकते हैं, हालांकि, और दो विश्लेषणों के परिणामों की तुलना कर सकते हैं। विज्ञान में, अक्सर आप ऐसे बाहरी लोगों पर ध्यान केंद्रित करते हुए नया सामान खोजते हैं।

आगे विस्तृत करने के लिए, एक सांचे के साथ अपने प्रयोगों के आकस्मिक संदूषण के आधार पर सेमिनल फ्लेमिंग की पेनिसिलिन की खोज के बारे में सोचें:

http://www.abpischools.org.uk/page/modules/infectiousdiseases_timeline/timeline6.cfm?coSiteNavigation_allTopic=1

निकट अतीत या वर्तमान को देखते हुए, बायोमेडिकल साइंसेज में नवाचार को निर्देशित करने के लिए अक्सर बाहरी पहचान का उपयोग किया जाता है। उदाहरण के लिए निम्नलिखित लेख देखें (कुछ उपयुक्त आर कोड के साथ):

http://www.la-press.com/a-comparison-of-methods-for-data-driven-cancer-outlier-discovery-and-a-article-a2599-abstract?article_id=2599

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3394880/

http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0102678

अंत में, यदि आपके पास कुछ डेटा को बाहर करने के लिए उचित आधार हैं, तो आप इसे कर सकते हैं, अधिमानतः एक संवेदनशीलता विश्लेषण में, और प्राथमिक एक में नहीं। उदाहरण के लिए, आप उन सभी मूल्यों को छोड़ सकते हैं जो जैविक रूप से प्रशंसनीय नहीं हैं (जैसे कि एक रोगी में 48 डिग्री सेल्सियस का तापमान)। इसी तरह, आप किसी भी रोगी के लिए सभी पहले और अंतिम मापों को बाहर कर सकते हैं, आंदोलन की कलाकृतियों को कम करने के लिए। हालांकि ध्यान दें कि यदि आप इस पोस्ट-हॉक (पूर्व-निर्धारित मानदंडों के आधार पर नहीं) करते हैं, तो यह डेटा की मालिश करने के लिए जोखिम है।

Comments

सहमत हूं, लेकिन मुझे यह उत्तर किसी भी तरह से इसे संक्षिप्त करने के लिए मिल गया है। शायद आप एक काम किया उदाहरण प्रदान कर सकते हैं, या यह दिखा सकते हैं कि क्यों और कैसे नए सामान की खोज की जा सकती है जब आउटलेर्स पर ध्यान केंद्रित किया जाए? यह पहली नजर में स्पष्ट नहीं हो सकता है।

— टिम

Answer 2

एक विकल्प आउटलेर्स को बाहर करना है, लेकिन आईएमएचओ वह चीज है जिसे आपको केवल तभी करना चाहिए जब आप तर्क कर सकते हैं (लगभग निश्चितता के साथ) कि ऐसे बिंदु अमान्य क्यों हैं (जैसे माप उपकरण टूट गए, माप विधि किसी कारण से अविश्वसनीय थी ...)। उदाहरण के लिए आवृत्ति डोमेन माप में, डीसी को अक्सर खारिज कर दिया जाता है क्योंकि कई अलग-अलग शब्द डीसी में योगदान करते हैं, अक्सर उस घटना से संबंधित नहीं होते हैं जिसे आप देखने की कोशिश कर रहे हैं।

आउटलेयर को हटाने के साथ समस्या यह है कि यह निर्धारित करने के लिए कि कौन से बिंदु आउटलेयर हैं, आपको "अच्छा डेटा" क्या है या क्या नहीं है, का एक अच्छा मॉडल होना चाहिए। यदि आप मॉडल के बारे में अनिश्चित हैं (कौन से कारकों को शामिल किया जाना चाहिए, मॉडल में क्या संरचना है, शोर की धारणाएं क्या हैं, ...), तो आप अपने बाहरी लोगों के बारे में निश्चित नहीं हो सकते। वे आउटलेयर सिर्फ नमूने हो सकते हैं जो आपको यह बताने की कोशिश कर रहे हैं कि आपका मॉडल गलत है। दूसरे शब्दों में: आउटलेर्स को हटाने से आपके (गलत!) मॉडल पर लगाम लगेगी, बजाय इसके कि आप नई अंतर्दृष्टि प्राप्त करें!

एक अन्य विकल्प, मजबूत आंकड़ों का उपयोग करना है। जैसे कि माध्य और मानक विचलन आउटलेर्स के प्रति संवेदनशील हैं, "स्थान" और "प्रसार" के अन्य मैट्रिक्स अधिक मजबूत हैं। जैसे कि माध्य के बजाय माध्यिका का उपयोग करें। मानक विचलन के बजाय, अंतर-चतुर्थक श्रेणी का उपयोग करें। मानक न्यूनतम-वर्ग प्रतिगमन के बजाय, आप मजबूत प्रतिगमन का उपयोग कर सकते हैं। वे सभी मज़बूत तरीके एक या दूसरे तरीके से बाहरी लोगों पर जोर देते हैं, लेकिन वे आमतौर पर बाहरी डेटा को पूरी तरह से नहीं हटाते हैं (यानी एक अच्छी बात)।

Comments

बहुत बढ़िया जवाब। अधिकांश लोगों को यह एहसास नहीं है कि हर तकनीक हर प्रकार के डेटा के लिए अनुकूल नहीं है । आउटलेर्स के साथ डेटा के लिए अर्थ पर ध्यान केंद्रित करना दुर्भाग्यपूर्ण परिणामों में से एक है। इस तरह के जवाबों से उन्हें जितने ज्यादा वेक-अप कॉल मिलते हैं, सबके लिए उतना ही अच्छा है।

— रुमचो

Answer 3

सोचा कि मैं आउटलेयर को हटाने के बारे में एक सावधानी की कहानी जोड़ूंगा:

ध्रुवीय ओजोन परत में छेद के साथ समस्या याद है? एक उपग्रह था जिसे विशेष रूप से ओजोन एकाग्रता को मापने के लिए ध्रुव पर कक्षा में रखा गया था। कुछ वर्षों तक उपग्रह से पोस्ट-प्रोसेस्ड डेटा ने बताया कि ध्रुवीय ओजोन सामान्य स्तर पर मौजूद था, हालांकि अन्य स्रोतों से स्पष्ट रूप से पता चला कि ओजोन गायब था। अंत में उपग्रह सॉफ्टवेयर की जांच करने के लिए कोई वापस गया। यह पता चला कि किसी ने यह जांचने के लिए कोड लिखा था कि क्या कच्चा माप ठेठ ऐतिहासिक स्तर के बारे में एक अपेक्षित सीमा के भीतर था, और यह मानने के लिए कि सीमा के बाहर कोई भी माप सिर्फ एक उपकरण 'स्पाइक' (यानी एक बाहरी) था। ऑटो- मान को सही करना । सौभाग्य से उन्होंने कच्चे माप भी दर्ज किए थे; उनकी जाँच करने पर उन्होंने देखा कि छेद की सूचना सभी को मिल चुकी थी।

Comments

घटना का संदर्भ शामिल करना अच्छा होगा : उन्होंने पहले घटना की खोज क्यों नहीं की? दुर्भाग्य से, TOMS डेटा विश्लेषण सॉफ्टवेयर को फ्लैग करने के लिए प्रोग्राम किया गया था और अलग-अलग डेटा बिंदुओं को सेट किया गया था जो अपेक्षित माप से बहुत अधिक विचलित हो गए थे और इसलिए प्रारंभिक माप जो अलार्म सेट करना चाहिए थे, बस अनदेखी कर दिए गए थे। संक्षेप में, टीओएमएस टीम वर्षों पहले ओजोन की कमी का पता लगाने में विफल रही क्योंकि यह वैज्ञानिकों की अपेक्षा बहुत अधिक गंभीर था।

— जॉनी

यह एक बढ़िया कहानी है। और एक बहुत दोहराया, लेकिन मेरे लिए math.uni-augsburg.de/stochastik/pukelsheim/1990c.pdf गलतफहमी के आधार पर इसे एक मिथक के रूप में पहचानता है। संयोग से ध्यान दें कि चूंकि दो ध्रुव हैं, "ध्रुवीय ओजोन परत" को फिर से लिखने की आवश्यकता है।

— निक कॉक्स

आधिकारिक खाता क्रिस्टी भी देखें। एम। 2001. द ओजोन लेयर ए फिलॉसफी ऑफ़ साइंस पर्सपेक्टिव। कैम्ब्रिज: कैम्ब्रिज यूपी

— निक कॉक्स

Answer 4

'आउटलाइयर ’डेटा एकत्र करने के लिए एक सुविधाजनक शब्द है जो विश्लेषण से हटाने के लिए आपकी प्रक्रिया के अनुरूप दिखने की उम्मीद नहीं करता है।

मैं सुझाव दूंगा कि कभी (कैविट बाद में) आउटलेर को हटा दें। मेरी पृष्ठभूमि सांख्यिकीय प्रक्रिया नियंत्रण है, इसलिए अक्सर स्वचालित रूप से उत्पन्न समय-श्रृंखला डेटा के बड़े संस्करणों के साथ सौदा होता है जो डेटा और वितरण के आधार पर एक रन चार्ट / मूविंग बॉक्स प्लॉट / आदि का उपयोग करके संसाधित किया जाता है।

आउटलेर्स के साथ बात यह है कि वे हमेशा आपकी 'प्रक्रिया' के बारे में जानकारी प्रदान करेंगे। अक्सर आप जो एक प्रक्रिया के रूप में सोच रहे होते हैं वह वास्तव में कई प्रक्रियाएं होती हैं और यह आपके लिए इसका श्रेय देने की तुलना में कहीं अधिक जटिल है।

आपके प्रश्न में उदाहरण का उपयोग करते हुए, मेरा सुझाव है कि कई 'प्रक्रियाएं' हो सकती हैं। के कारण भिन्नता होगी ...

• एक चालन उपकरण द्वारा लिए गए नमूने
• के बीच लिए गए नमूनेप्रवाहकत्त्व उपकरणों के
• जब विषय ने एक जांच हटा दी
• जब विषय चला गया
• उनके शरीर के भीतर या विभिन्न नमूने दिनों (बाल, नमी, तेल, आदि) के बीच एक विषय की त्वचा के भीतर अंतर
• विषयों के बीच अंतर
• कर्मचारियों के बीच माप और बदलाव लेने वाले व्यक्ति का प्रशिक्षण

ये सभी प्रक्रियाएं डेटा में अतिरिक्त भिन्नता उत्पन्न करेंगी और संभवतः माध्य को स्थानांतरित करेंगी और वितरण के आकार को बदल देंगी। इनमें से कई आप अलग-अलग प्रक्रियाओं में अलग नहीं कर पाएंगे।

इसलिए 'आउटलेर्स' के रूप में डेटा बिंदुओं को हटाने के विचार पर जा रहा हूं ... मैं केवल डेटा बिंदुओं को हटा दूंगा , जब मैं निश्चित रूप से उन्हें एक विशेष 'प्रक्रिया' के लिए विशेषता दे सकता हूं जिसे मैं अपने विश्लेषण में शामिल नहीं करना चाहता हूं। फिर आपको यह सुनिश्चित करने की आवश्यकता है कि गैर-समावेश के कारणों को आपके विश्लेषण के हिस्से के रूप में दर्ज किया जाए, इसलिए यह स्पष्ट है। अपने डेटा संग्रह के दौरान अवलोकन के माध्यम से अतिरिक्त नोट्स लेने के बारे में महत्वपूर्ण बात यह है कि अटेंशन नहीं मानें।

मैं आपके कथन को चुनौती दूंगा 'क्योंकि उनमें से अधिकांश वैसे भी त्रुटियां हैं', क्योंकि वे त्रुटियां नहीं हैं, लेकिन एक अलग प्रक्रिया का हिस्सा हैं जिसे आपने अलग-अलग होने के रूप में अपने मापों में पहचाना है।

आपके उदाहरण में, मुझे लगता है कि डेटा बिंदुओं को बाहर करना उचित है जो आप एक अलग प्रक्रिया को विशेषता दे सकते हैं जिसे आप विश्लेषण नहीं करना चाहते हैं।

Answer 5

यदि आप आउटलेर्स को हटा रहे हैं, तो अधिकांश स्थितियों में आपको दस्तावेज़ की आवश्यकता होती है कि आप ऐसा क्यों कर रहे हैं और क्यों। यदि यह एक वैज्ञानिक पेपर के लिए है, या विनियामक उद्देश्यों के लिए है, तो इससे आपके अंतिम आंकड़े छूट सकते हैं और / या खारिज कर दिए जा सकते हैं।

बेहतर उपाय यह है कि जब आप सोचते हैं कि आप खराब डेटा प्राप्त कर रहे हैं (उदाहरण के लिए जब लोग तारों को खींचते हैं), तो यह पहचानें कि लोग कब तार खींच रहे हैं, और उस कारण से डेटा खींचें। यह संभवत: कुछ 'अच्छे' डेटा बिंदुओं को भी गिरा देगा, लेकिन अब आपके पास विश्लेषण के अंत के बजाय संग्रह के अंत में उन डेटा बिंदुओं को टैग करने और छूट देने का एक 'वास्तविक' कारण है। जब तक आप उस सफाई और पारदर्शी तरीके से करते हैं, तब तक यह तीसरे पक्ष के लिए स्वीकार्य होने की अधिक संभावना है। यदि आप खींचे गए तारों से संबंधित डेटा बिंदुओं को हटाते हैं, और आप अभी भी आउटलेयर प्राप्त करते हैं, तो संभावित निष्कर्ष यह है कि खींचे गए तारों को (केवल) समस्या नहीं है - आगे की समस्या आपके प्रयोग के डिजाइन, या आपके सिद्धांत के साथ हो सकती है।

मेरी माँ ने अपने बीएससी खत्म करने के लिए पहला प्रयोग किया था, जिसमें से एक में छात्रों को एक 'बुरा' सिद्धांत दिया गया था कि कैसे एक प्रक्रिया काम करती है, और फिर एक प्रयोग चलाने के लिए कहा जाता है। परिणामी 'खराब' डेटा बिंदुओं को हटाने या संशोधित करने वाले छात्रों ने असाइनमेंट को विफल कर दिया। जिन्होंने सही ढंग से बताया कि उनका डेटा (खराब) सिद्धांत द्वारा भविष्यवाणी किए गए परिणामों से असहमति में था, पारित कर दिया। असाइनमेंट का उद्देश्य छात्रों को उनके डेटा को 'ठीक' (गलत) नहीं करना सिखाना था जब यह अपेक्षित नहीं था।

सारांश: यदि आप खराब डेटा उत्पन्न कर रहे हैं, तो अपना प्रयोग ठीक करें, डेटा नहीं।

Answer 6

यह सुनिश्चित करने के लिए एक नैतिक दुविधा है। एक तरफ, आपको कुछ संदिग्ध डेटा बिंदुओं को डेटा के थोक में अपने मॉडल के फिट को बर्बाद क्यों करने देना चाहिए? दूसरी ओर, टिप्पणियों को हटाना जो आपके मॉडल की वास्तविकता की अवधारणा से सहमत नहीं हैं, एक प्रकार की सेंसरशिप है। @ एगॉन के बिंदु पर, वे आउटलेयर आपको उस वास्तविकता के बारे में कुछ बताने की कोशिश कर सकते हैं।

सांख्यिकीविद् स्टीव मैकएचेर्न की एक प्रस्तुति में, उन्होंने आउटलेर्स को "अध्ययन के तहत घटना का प्रतिनिधि नहीं" के रूप में परिभाषित किया। "उस दृष्टिकोण के तहत, यदि आपको लगता है कि ये संदिग्ध डेटा बिंदु उस त्वचा चालन घटना के प्रतिनिधि नहीं हैं जिसका आप अध्ययन करने का प्रयास कर रहे हैं। , शायद वे विश्लेषण में नहीं हैं। या अगर उन्हें रहने दिया जाए, तो ऐसी विधि का उपयोग किया जाना चाहिए जो उनके प्रभाव को सीमित कर दे। उसी प्रस्तुति में MacEachern ने मजबूत तरीकों के उदाहरण दिए, और मुझे याद है कि, उन कुछ उदाहरणों में, बाहर निकाले गए शास्त्रीय तरीकों ने हमेशा आउटलेर्स के साथ मजबूत विश्लेषणों के साथ सहमति व्यक्त की जो अभी भी शामिल हैं। व्यक्तिगत रूप से, मैं उन शास्त्रीय तकनीकों के साथ काम करना चाहता हूं जिनके साथ मैं सबसे अधिक सहज हूं और बाहरी रूप से विलोपन की नैतिक अनिश्चितता के साथ रहता हूं।

Comments

बॉक्स में, हंटर एंड हंटर: "सांख्यिकी के लिए प्रयोगकर्ता" वे बताते हैं कि, रासायनिक उद्योग में, आउटलेरर्स ने अक्सर नए पेटेंट का नेतृत्व किया है । क्या आप अपने नए पेटेंट को बाहर फेंकना चाहते हैं?

— kjetil b halvorsen

नहीं, मैं किसी भी पेटेंट को याद नहीं करना चाहता। लेकिन मैं अपने मॉडल को "तारों पर किसी को खींचने" को समायोजित करने के लिए बारह चक्रों को स्पिन करने की कोशिश नहीं करना चाहता हूं। यह लगभग निश्चित रूप से अध्ययन के तहत घटना नहीं है। मैं अवसरों के रूप में आउटलेर्स के विचार को पसंद करता हूं, और सीधी विलोपन के लिए कहा जाने वाला एक काम यह है कि कम से कम कोड उन विलोपन के प्रलेखन प्रदान करेगा, जबकि मजबूत तरीकों में आउटलेरर्स अन्य बिंदुओं के साथ केवल एक प्रकार का सह-अस्तित्ववादी हैं।

— बेन ओगोरक

आप सही हैं कि विशिष्ट परिस्थितियों को ध्यान में रखा जाना चाहिए। क्या नहीं किया जाना चाहिए बाहरी संदर्भ के लिए कुछ संदर्भ-मुक्त "नियम" लागू होते हैं। इस तरह के अच्छे नियम मौजूद नहीं हैं।

— kjetil b halvorsen

संदर्भ की शक्ति के बारे में मेरा पसंदीदा बिंदु प्रश्न द्वारा सचित्र है, "क्या स्निकर्स बार स्वस्थ हैं?" खैर, अगर आप तीन दिनों के लिए जंगल में खो गए हैं और आपको जमीन पर कुछ ही मिला है, तो पता चलता है कि वे बहुत स्वस्थ हैं। मुझे ऐसा लगता है कि यहाँ के लोकप्रिय उत्तर हमें बता रहे हैं, "कभी भी स्निकर बार न खाएं, जब तक कि आप निश्चित रूप से मर नहीं जाते यदि आप नहीं करते हैं।"

— बेन ओगोरक

Answer 7

अगर मैं 100 लोगों का यादृच्छिक नमूना पेश करता हूं, और उन लोगों में से एक बिल गेट्स होता है, तो जहां तक ​​मैं बता सकता हूं, बिल गेट्स 1/100 वीं आबादी का प्रतिनिधि है।

एक छंटनी का मतलब मुझे बताता है कि औसत लॉटरी कमाई $ 0 है।

Comments

असामान्य कुछ भी नहीं, एक छंटनी का मतलब तिरछा वितरण के लिए उपयुक्त नहीं है।

— यवेस डाएव

Answer 8

बेशक आपको बाहरी लोगों को हटा देना चाहिए, क्योंकि परिभाषा के अनुसार वे जांच के तहत वितरण का पालन नहीं करते हैं और एक परजीवी घटना है।

असली सवाल यह है कि "मैं विश्वसनीय रूप से बाहरी लोगों का कैसे पता लगा सकता हूं"!

Comments

क्या होगा अगर इस तरह का वितरण कॉची है?

— एडमों

@ अदमो: असली सवाल तो यही है।

— यवेस डाएव

यह पतन क्यों?

— यवेस डाएव

(-1) क्योंकि मुझे नहीं लगता कि यह सिद्धांत, उदाहरण या अभ्यास द्वारा सूचित एक पर्याप्त योगदान है। "परजीवी घटना" क्या है लेकिन डेटा की एक काव्य समझ है? ब्लड प्रेशर, यूरिनरी सोडियम और न्यूरोलॉजिकल इमेजिंग से निपटने के दौरान, मैं दिन-प्रतिदिन "आउटलेयर" देखता हूं जो कि विचाराधीन आबादी के प्रतिनिधि हैं। उन्हें निकालना पूर्वाग्रह का एक महत्वपूर्ण स्रोत हो सकता है। कहने के लिए कि वे एक "परजीवी घटना" हैं, एक जोखिमपूर्ण सांख्यिकीय अभ्यास को सक्षम और भ्रामक रूप से सक्षम करते हैं।

— एडमों

@ आदम: आप सिर्फ इनर को रखने की वकालत कर रहे हैं, जिससे मैं पूरी तरह सहमत हूं।

— यवेस डाएव