Uç Gözlem mi, Veri Hatası mı? Etki Tanısı ve Sağlamlık Analizi
Aykırı gözlemi yalnızca p değerini değiştirdiği için silmeyin; veri hatası, etki ölçüsü, leverage ve duyarlılık analizini birlikte değerlendirin.
Aykırı değer hata ile aynı şey değildir
Uç gözlem gerçek bir klinik alt grubu, ölçüm hatasını veya yanlış model biçimini gösterebilir. Karar outcome görülmeden tanımlanmış kurallara dayanmalıdır.
Uygulama adımları
Önce kaynak belge ve birimleri doğrulayın.
Tek değişkenli uçluk ile regresyon etkisini ayırın.
Leverage, Cook uzaklığı ve artık grafiklerini birlikte kullanın.
Ana ve robust/çıkarma duyarlılık sonuçlarını karşılaştırın.
Yorumlama ve raporlama
Tespit kuralı, kaç gözlemin etkilendiği, gerekçe ve sonuç değişimi açıklanmalıdır.
Sık yapılan hatalar
Kutu grafiğindeki her noktayı silmek.
Sonucu anlamlı yapmak için çıkarma.
Aykırı değerin veri hatası olduğunu varsaymak.
Sık sorulan sorular
Bu yaklaşım her çalışma için aynı mıdır?
Hayır. Tasarım, hedef popülasyon, ölçüm ölçeği ve önceden tanımlanan araştırma sorusu yöntemi değiştirir.
Yalnızca yazılım çıktısı yeterli midir?
Hayır. Varsayımlar, etki büyüklüğü, belirsizlik ve klinik bağlam birlikte değerlendirilmelidir.
Kaynaklar
Erişim tarihi: 20 Haziran 2026. İçerik genel metodoloji bilgisidir.