当您拟合了错误的模型时，剔除异常值会产生误导

上图左侧面板显示了拟合于剂量反应曲线的数据。在这幅图中，其中一个数据点是一个显著的异常值。 但这种解读的前提是，您已经选择了正确的模型。右侧图示展示了数据拟合到另一种钟形剂量-反应模型的情况，在此模型中，高剂量引发的反应比中等剂量要小。数据与该模型拟合得非常好，未检测到（甚至未怀疑）存在异常值。

本示例说明，只有在确信所拟合的模型正确时，才应进行异常值剔除。

当数据点不独立时，剔除异常值会产生误导

上图左侧子图显示了拟合于剂量-反应模型的数据，其中一个数据点（位于右上角）被识别为异常值。右侧子图表明，这些数据实际上来自两个不同的实验。 第二个实验的上下两个平台期（用向上三角形表示）均高于第一个实验（用向下三角形表示）。由于这是两个不同的实验，因此左侧图中分析所采用的独立性假设被违反了。当我们分别对每个实验运行进行拟合时，则未检测到异常值。

如果选择的加权因子不正确，异常值剔除会产生误导

上图左侧面板显示了拟合到剂量-反应模型的数据。 共识别出四个异常值（其中两个几乎重合）。但请注意，响应值（Y值）较大的数据点，平均而言也离曲线更远。这使得最小二乘回归不适用。为了考虑残差的标准差与曲线高度成正比这一事实，我们需要使用加权回归。 右侧图表展示了同一组数据拟合到同一剂量反应模型的结果，但采用相对权重法，将“数据点到剂量反应曲线的平方和除以曲线高度”的值最小化。现在没有识别出任何异常值。使用错误的权重方法会产生虚假的异常值。