所谓异常值，也称离群值，一般是指在所获统计数据中相对误差较大的观测数据，比如与平均值的偏差超过两倍标准差的观测数据。

主要体现在以下几点：抽样的误差或者选取数据进行分析时存在问题；人为的记录或者人为的谎报等的数据比如‘测量男生的身高’搜集的数据非正常人的身高，如10m等。

异常值的检测是十分必要的，否则异常值的存在可能对分析结果存在“危害”。接下来说明异常值可能存在的危害。

如果数据中存在可能的异常值，均应在分析之前处理，防止异常值带来的干扰。

（1）异常值的存在可能会导致数据分布和真实分布差别很大。

（2）如果异常值在数据中影响较大，可能会影响数据集的均值和标准差，从而在数据分析中可能会带来错误的结果，比如t检验等。

（3）对于SPSSAU中的回归、聚类、机器学习中KNN等，如果数据存在异常值可能会导致结果有很大偏差。

一般异常值的检测方法有基于统计的方法，可视化方法以及直观观察等。

描述分析

异常值为一般与平均值的偏差超过两倍标准差的测定值，与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。

利用SPSSAU描述分析可以得到数据的基础指标，比如最小值，最大值以及平均值等，根据最小值和最大值可以判断数据中是否存在异常值，并且进行处理。此方法的缺点是不能精准的查到异常值，所以常常用于初步判断。

可视化方法

利用图形方法进行查看数据中是否存在异常值，其中可以利用散点图或者箱线图。

散点图

横坐标为自变量，纵坐标为因变量，通过散点图可以大致看出异常值点，为红色框内的数据。该办法能够大致看出异常值，但是主观性较强，如果想要大致查看异常值情况，可以使用该方法。

箱线图

从箱线图可以看看出，此份数据中存在异常值，具体异常值查看SPSSAU提供的异常值汇总表格，其中此份数据的异常值共有6个，具体异常值的数字都是1。相比较其它方法箱线图更为直观，以及方法更加严谨。

直观观察

直观的看到离群值，比如一组数据大于都是在10附近，但是在数据中直观查看到有两个值大于1000或者为负数等，但是这种方法只适用于小样本数据（小于50）个。

异常值的判定没有固定标准，有时数据的异常值可能也存在有用的信息，是否需要剔除，应由分析人员自行判断。如果想要处理异常值一般有以下三种方法，将异常值设为null、填补法以及插值法。

如果异常值相对于数据不多可以直接将异常值设为null值。或者将异常值处理为null值后将异常值作为缺失值进行处理。SPSSAU有提供“填补法”和“插值法”，其中填补法包含平均值、中位数、众数、随机数、数字0以及自定义函数等。目前平均值比较常用，插值法针对的确缺失数据，插值法共有两种一个是线性插值一个是该点线性趋势插值。