异常值可能是错误也可能是发现
别名: 离群点 · outlier
概念解释
数据集中远离主体的点（离群点，outlier）有两种截然不同的来源：一种是数据错误（传感器故障记录了 -999、录入时多敲了一个零、单位写错），另一种是真实但罕见的值（日销售额的异常峰值对应一次刷单活动、某用户的消费额远超其他人因为他是批发商）。两者的图形形态完全相同——都是图上远离主体的点——但正确的处理完全相反：错误应该剔除或修正，真实的异常恰恰是最值得注意的信号。自动"清洗"离群点的流程把两种来源一起处理了，可能同时扔掉错误和最重要的发现。
机制
区分错误与发现的依据不是数值本身而是数据生成过程的假设：如果一个值在数据的物理与业务约束下不可能发生（年龄 200 岁、点击量负数），它是错误；如果它只是分布的尾部（收入的右偏长尾、社交网络度分布的枢纽节点），它是真实的罕见值。麻烦在于许多离群点的归属并不明确——异常高的订单可能是刷单（错误/作弊）也可能是真实的大客户（发现），归属判断需要业务知识而非统计规则。可视化在判断中的作用是把"分布的形状"呈现给判断者：直方图或散点图上，与主体之间有明显间隙的孤立点更可能是错误（数据生成过程被中断），连续过渡的长尾更可能是真实分布；但这是启发而非证据。自动化的离群检测算法（Z-score、IQR、孤立森林）只输出"偏离程度"的排序，不做来源判断——把它们当作"待人工审查清单"是合理用法，当作自动剔除依据则会同时丢弃两类点中的一类。
怎么研究
研究离群点处理对结论影响的标准方法是敏感性分析：同一数据集分别在保留、修正、剔除离群点的三种处理下重新计算核心结论，比较结论的稳健性。因变量是关键统计量（均值、相关系数、模型系数）在处理间的变化幅度；结论对单一处理选择敏感即提示离群点承载了不成比例的信息。在可视化研究中，可测量读者对离群点的注意率与归因（视为错误 vs 视为信号）受图形呈现方式（是否标注、是否截断坐标轴）的影响。方法论的注意点：报告"剔除后结论不变"需要同时报告"剔除标准"，否则敏感性分析本身不可复现。
边界
离群点的处理没有通用正确答案但有通用的错误答案——不假思索地删除与不假思索地保留。判断的边界条件包括：领域知识能否为该值找到物理或业务解释（能解释→倾向真实；无法解释→倾向错误但需查证）；离群点对结论的杠杆效应（单个点显著改变回归斜率即高杠杆，需谨慎处理）；以及数据规模（大样本中单个错误的影响被稀释，小样本中单个离群点可以完全主导结论）。可视化截断坐标轴把离群点推出视野是最常见的隐式"剔除"——它没有删除数据但删除了读者看到数据的机会。
怎么落地
- 图表默认保留离群点并使其可见，不自动截断坐标轴；需要聚焦主体时用插图（inset）放大主体同时保留离群点的存在标记。
- 自动检测的离群点标记为"待审查"而非自动剔除，附上偏离度量的数值（如"超出 IQR 上界 4.2 倍"）。
- 对高杠杆离群点做敏感性分析并把两种处理下的核心结论并排呈现。
- 验证：审计一次"数据清洗"流程，列出它删除的所有点并逐一追问删除依据；回答不出依据的点即是可能被误删的发现。