如果异常值检查将一个或多个值识别为异常值，请自问以下问题：

输入到计算机中的异常值是否录入有误？

如果所谓的“异常值”实际上是输入错误，请予以更正。此时，务必回到原始数据源，核对输入到 Prism 中的异常值是否确实是您从实验中获得的数值。如果该数值是计算结果，请检查是否存在数学错误。

该异常值在科学上是否不可能？

当然，当数值完全不合常理时，您应将其从数据中剔除为异常值。例如负重值，或超过150岁的人体年龄。这些显然是错误的，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，可能仅有一个（或几个）来自不同分布的异常值除外。如果基础分布并非高斯分布，那么异常值检验的结果便不可靠。尤其需要注意对数正态分布。如果数据来自对数正态分布，则预期会发现一些极高的数值，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，识别出异常值可能至关重要。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。在确定该发现是否具有潜在的科学价值之前，不要将其作为异常值而丢弃。

您的实验记录本是否记录了该数值相关的任何实验问题

当某数据点不仅被异常值检测标记为“异常值”，且您在实验过程中已记录该数据存在问题时，将其从数据集中剔除的理由便更具说服力。

您是否有关于何时剔除异常值的政策？

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。

如果您正在寻找两个或更多异常值，掩蔽效应是否会成为问题？

掩蔽效应是指当存在两个（或更多）异常值时，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个高斯总体。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，则应将该值保留在分析中。将其剔除将是错误的。

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来处理此类数据，并始终如一地遵循它。

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分析数据。如果两种情况下的结果相似，您就得到了明确的结论。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，您很可能只会在剔除有助于将数据导向您期望结果时才进行剔除。