ROUT的基础原理

ROUT法是一种从非线性回归中识别异常值的方法。

简而言之，首先通过采用一种稳健的方法将一个模型拟合至数据中，其中异常值的影响很小。然后使用一种新的异常值检测方法，根据错误发现率，来决定哪些点与模型的预测相差较远，即称为异常值。

当你要求GraphPad Prism检测列数据堆栈中的异常值时，可简单地采用这种方法。

GraphPad Prism将你输入的值视为Y值，并拟合Y = M模型，其中M是一个稳健的平均值。（如果你想通过GraphPad Prism的非线性回归分析来实现这一点，需要给每行指定任意的X值，然后拟合至模型Y = X*0+M中。）

此方法可检测任意数量的异常值（可达样本量的30%）。

在一个数据集中，GraphPad Prism最少可使用三个值来执行ROUT检验。

Q是什么？

ROUT法建立在错误发现率（FDR）的基础上，因此可以指定Q表示最大预期FDR。对Q的解读取决于数据集中是否有异常值。

当没有异常值（且分布完全为高斯分布）时，Q与α极其相似。假设所有数据都来自高斯分布，则Q表示（错误）识别一个或多个异常值的可能性。

数据中存在异常值时，Q表示最大预期错误发现率。如果将Q设为1%，你的目标为不超过1%的识别异常值是假的（实际上只是高斯分布的尾部），至少99%为实际异常值（来自不同的分布）。

参考文献

Motulsky HM和Brown RE，在用非线性回归拟合数据时检测异常值 - 一种以鲁棒非线性回归和错误发现率为基础的新方法，《BMC生物信息学》（2016），7：123。