下图显示了两组数据集，除了一个数据点外完全相同。显然，右侧的数据集有两个异常值，而左侧的数据集只有一个。这一结论显而易见。  

（下载 Prism 文件。）

Grubbs 异常值检验的结果令人惊讶。该检验（将显著性水平 α 设为 5%，但将 α 设为 1% 时也会得到相同结果）确实识别出了左侧数据集中的异常值。这并不令人意外。但 Grubbs 检验却未在右侧数据集中发现任何异常值。 第二个异常值的存在阻碍了异常值检验发现第一个异常值。这种现象被称为掩蔽效应。

格鲁布斯异常值检验通过计算Z比值来识别异常值：首先计算疑似异常值与均值的差值，然后将该差值除以标准偏差。如果Z值足够大（考虑到样本量），则该点被判定为异常值。 请注意，均值和标准偏差是根据所有数据计算得出的，计算过程中也包含了疑似异常值。如下表所示，第二个异常值（在小数据集中）的存在会使标准偏差被高估，从而导致 Z 值降至定义异常值的阈值以下。