W serii pomiarów jeden wynik odstaje tak mocno, że kusi, by od razu go usunąć. Test Grubbsa może wskazać pojedynczą wartość jako odstającą, ale wniosek jest wiarygodny tylko wtedy, gdy dane spełniają założenia testu i sprawdzisz, co stało się podczas pomiaru.
Wynik testu wskazuje podejrzaną obserwację, a decyzja o jej usunięciu wymaga kontroli
- Cel: test wykrywa jedną wartość odstającą w jednowymiarowym zbiorze danych.
- Założenie: badane wyniki powinny pochodzić z rozkładu zbliżonego do normalnego.
- Statystyka G: mierzy odległość najbardziej skrajnego wyniku od średniej, wyrażoną w odchyleniach standardowych.
- Wiele podejrzanych wyników: pojedynczy test może ich nie wykryć, jeśli wzajemnie maskują swoją skrajność.
- Decyzja: istotność statystyczna nie dowodzi, że pomiar jest błędny ani że można go odrzucić.
G odpowiada na pytanie o jeden skrajny wynik
W laboratorium pojedynczy odczyt potrafi przesunąć średnią całej serii, choć pozostałe wyniki układają się blisko siebie. Test Grubbsa pomaga ocenić, czy najbardziej oddalony pomiar jest nietypowy względem reszty, przy założeniu jednego odstającego punktu.
Statystykę G oblicza się jako największą bezwzględną różnicę między obserwacją a średnią, podzieloną przez odchylenie standardowe próby. Możliwy jest test dwustronny, który szuka wartości skrajnej po dowolnej stronie, oraz jednostronny, gdy podejrzenie dotyczy wyłącznie minimum albo maksimum. Sam duży wynik G jeszcze niczego nie rozstrzyga: trzeba porównać go z wartością krytyczną właściwą dla liczebności próby i przyjętego poziomu istotności.
NIST Engineering Statistics Handbook opisuje hipotezę zerową jako brak wartości odstających, a alternatywną jako obecność dokładnie jednej. To ograniczenie definiuje sens testu; przy kilku podejrzanych odczytach trzeba dobrać inną metodę.
Bez zbliżonego do normalnego rozkładu wynik może mylić
Wykres potrafi ujawnić problem, którego nie widać w samym rachunku. Przed testem obejrzyj histogram lub wykres prawdopodobieństwa normalnego i sprawdź, czy poza podejrzaną wartością rozkład nie jest wyraźnie skośny albo wielomodalny, czyli skupiony wokół kilku różnych poziomów.
Jak podaje NIST w omówieniu metod wykrywania wartości odstających, nienormalność danych może zostać błędnie odczytana jako obecność odstającej obserwacji. Z kolei kilka skrajnych wartości może wzajemnie się maskować: ich wpływ zwiększa odchylenie standardowe i sprawia, że żadna z nich nie przekracza progu testu. Gdy spodziewasz się więcej niż jednego odstającego wyniku, nie traktuj ponawiania testu pojedynczego punktu jako automatycznego rozwiązania.
Wybór zależy od tego, ile wyników podejrzewasz. Dla jednej skrajnej wartości pasuje test Grubbsa; gdy liczba kandydatów jest znana, można rozważyć test Tietjena-Moore’a, a gdy znasz tylko górną granicę ich liczby, uogólniony test ESD.
Przykład NIST pokazuje, jak odczytać próg, a nie tylko statystykę
W danych z pomiarów spektrometrem mas NIST analizuje osiem wyników izotopu uranu: siedem mieści się w przedziale od 199,31 do 202,18, a jeden wynosi 245,57. Dla jednostronnego testu maksimum otrzymano G = 2,4687; przy poziomie istotności α = 0,05 wartość krytyczna wyniosła 2,032, więc hipotezę o braku odstającego wyniku odrzucono.
To przydatny przykład, bo pokazuje różnicę między „wynik wygląda podejrzanie” a „wynik przekroczył próg wyznaczony przez test”. Nie dowodzi jednak, że pomiar był błędny. Wniosek statystyczny dotyczy nietypowości obserwacji, a przyczynę trzeba ustalić osobno, na przykład sprawdzając zapis, przygotowanie próbki i działanie aparatury.
Uważam, że w dokumentacji laboratoryjnej powinny pozostać zarówno wynik testu, jak i uzasadnienie dalszego postępowania. Samo oznaczenie punktu jako odstającego nie zastępuje decyzji o jego korekcie, powtórzeniu pomiaru ani wykluczeniu z analizy.
Przy kilku podejrzanych punktach zmień metodę zamiast usuwać je po kolei
Jeśli w serii widać dwa wysokie odczyty lub skrajne wartości po obu stronach średniej, test pojedynczej obserwacji może nie zasygnalizować żadnego z nich. To właśnie maskowanie: jeden podejrzany punkt zmienia średnią i odchylenie standardowe, przez co drugi wygląda mniej ekstremalnie.
Dokument NIST Internal Report 8526 przytacza ostrzeżenie, że testy dla pojedynczych wartości tracą zdolność wykrywania, gdy w danych jest ich więcej. Opisuje też metody dla wielu kandydatów, w tym kryterium Davida, Hartleya i Pearsona dla wartości podejrzanych na obu końcach próby oraz test Tietjena-Moore’a dla określonej liczby punktów.
W praktyce decyzję można uporządkować tak:
| Sytuacja | Możliwa przyczyna lub skutek | Co zrobić |
|---|---|---|
| Jeden skrajny wynik, rozkład w przybliżeniu normalny | Możliwa pojedyncza obserwacja odstająca | Obliczyć G i porównać z właściwą wartością krytyczną. |
| Dwa lub więcej wyników odstających w tę samą stronę | Możliwe maskowanie w teście pojedynczego punktu | Rozważyć metodę wielokrotnych wartości, dopasowaną do liczby podejrzanych punktów. |
| Widoczna skośność lub kilka skupień danych | Test może reagować na kształt rozkładu, a nie na błąd pomiaru | Sprawdzić model rozkładu i rozważyć inną metodę analizy. |
| Wynik testu jest istotny, ale nie ma śladu błędu pomiaru | Obserwacja może być prawidłową zmiennością procesu | Zachować wynik lub zastosować analizę odporną, a wykluczenie uzasadnić niezależnymi danymi. |
Odrzucenie hipotezy nie daje automatycznej zgody na skreślenie wyniku
Test rozstrzyga, czy obserwacja jest statystycznie nietypowa przy określonych założeniach; nie wskazuje, dlaczego się pojawiła. Sprawdź kartę pomiarową, identyfikator próbki, kalibrację i zapisy operatora. Jeśli błąd da się potwierdzić, skoryguj wynik zgodnie z procedurą laboratorium, a gdy nie można go naprawić, udokumentuj wykluczenie.
Do obliczeń można wykorzystać program statystyczny, ale trzeba upewnić się, jaką odmianę testu uruchamia. Dokumentacja pakietu R outliers rozróżnia wariant dla jednego punktu, dwóch punktów po przeciwnych stronach oraz dwóch po tej samej stronie. Samą nazwę funkcji łatwo odczytać zbyt szeroko, więc raport powinien podawać wariant, kierunek testu, poziom istotności i liczebność próby.
Jeśli wynik jest istotny, ale nie ma udokumentowanej przyczyny błędu, zachowaj go w zbiorze albo pokaż analizę wrażliwości z wynikiem i bez niego. Taki zapis pozwala ocenić, czy wniosek końcowy zależy od pojedynczego punktu.
Najpierw wyjaśnij pomiar, potem klasyfikuj obserwację
Test Grubbsa jest użyteczny, gdy szukasz jednego odstającego wyniku w danych o rozkładzie zbliżonym do normalnego. Przy kilku podejrzanych punktach lub widocznej skośności wynik pojedynczego testu może prowadzić na manowce, dlatego metoda powinna odpowiadać strukturze danych.
Najbezpieczniejsza kolejność jest prosta: obejrzyj rozkład, oblicz statystykę z właściwym wariantem, porównaj ją z progiem, a potem sprawdź przyczynę odczytu. W ten sposób pojedyncza liczba nie znika z raportu tylko dlatego, że odstaje od pozostałych.