如果异常值检验将一个或多个值识别为异常值，请自问以下问题：

该异常值是否是输入到计算机中的错误？

如果所谓的“异常值”实际上是输入错误，请予以更正。此时，不妨回到原始数据源，核对一下输入到 Prism 中的异常值是否确实是您从实验中获得的数值。如果该数值是计算得出的，请检查是否存在计算错误。

该异常值在科学上是否不可能存在？

当然，当某个值完全不可能存在时，您应将其从数据中剔除。例如负重量，或（人的）年龄超过150岁。这些显然是错误，若将错误值保留在分析中，将导致毫无意义的结果。

高斯分布的假设是否存疑？

Grubbs 检验和 ROUT 检验都假设所有值均来自高斯分布，但可能有一个（或几个）来自不同分布的异常值除外。如果基础分布不是高斯分布，那么异常值检验的结果就不可靠。特别需要注意对数正态分布的情况。 如果数据采样自对数正态分布，则可能会出现一些极高的数值，这些数值很容易被误认为是异常值。剔除这些数值将是一个错误。

该异常值是否具有潜在的科学意义？

如果每个数值来自不同的动物或人，识别异常值可能很重要。仅仅因为某个数值与其他数值不属于同一个高斯分布，并不意味着它应该被忽略。 您可能发现了一个基因的多态性，或者一种新的临床综合征。在将数据作为异常值剔除之前，请先思考这一发现是否具有潜在的科学价值。

您的实验笔记本中是否记录了该数值存在任何实验问题？

当某个数值不仅被异常值检验标记为“异常值”，而且您在实验过程中还记录了该数值存在的问题时，从数据集中剔除该数值就更容易得到合理依据。

您是否有关于何时剔除异常值的明确政策？

理想情况下，剔除异常值不应是临时起意的决定。您应遵循既定政策，并始终如一地执行该政策。

如果您要寻找两个或更多异常值，掩蔽效应会成为问题吗？

掩蔽效应是指当存在两个（或更多）异常值时，甚至会使发现单个异常值变得更加困难的现象。

如果您对所有这些问题都回答“否”……

如果您对上述所有问题都回答“否”，则有两种可能：

•该可疑值与其他值来自同一高斯总体。您只是碰巧采集到了该高斯分布尾部的一个值。

•该可疑值来自与其他值不同的分布。这可能是由于操作失误造成的，例如移液不准确、电压尖峰、滤膜破损等。  

如果您确定是第一种情况，就会将该值保留在分析中。将其剔除将是一个错误。

如果您确定是第二种情况，则应将其剔除，因为将错误值纳入分析会导致结果失效。

当然，问题在于您永远无法确切知道哪种情况是正确的。异常值检验无法对此给出确切答案。理想情况下，您应该制定一项实验室政策，明确如何处理此类数据，并始终如一地遵循该政策。

如果您没有关于剔除异常值的实验室政策，这里有一个建议：分别在包含和不包含可疑异常值的情况下对数据进行分析。 如果两种情况下的结果相似，那么结论就很明确。如果结果差异很大，那么您就陷入了困境。如果没有关于何时剔除异常值的一致政策，您很可能会只在剔除异常值有助于将数据推向您期望的结果时才将其剔除。