Ausreißertest

Ein Ausreißertest erkennt mit statistischen Mitteln Beobachtungen in einem Datensatz, die ungewöhnlich weit von der Mehrheit der Daten entfernt liegen – Werte, die so extrem sind, dass sie wahrscheinlich nicht aus demselben zugrunde liegenden Prozess oder derselben Grundgesamtheit stammen. Das Erkennen von Ausreißern ist ein wichtiger Schritt bei der Prüfung der Datenqualität, denn ein einziger Extremwert kann Mittelwerte verzerren, Standardabweichungen aufblähen und die Ergebnisse von Prozessfähigkeitsanalyse, Regression und Hypothesentests erheblich beeinflussen.

Zuletzt geprüft

Kernaussage

Ein Ausreißertest erkennt mit statistischen Mitteln Beobachtungen, die ungewöhnlich weit von der Mehrheit der Daten entfernt liegen, also Werte, die wahrscheinlich nicht aus demselben Prozess oder derselben Grundgesamtheit stammen.

Auf dieser Seite
  1. Was ist ein Ausreißertest?
  2. Wann wird ein Ausreißertest eingesetzt?
  3. Hinweise zur richtigen Anwendung des Ausreißertests
  4. Alternativen: Wann Sie den Ausreißertest nicht verwenden sollten
  5. Beispiel für einen Ausreißertest
  6. Anleitung: Ausreißertest durchführen

Was ist ein Ausreißertest?

Ein Ausreißertest erkennt mit statistischen Mitteln Beobachtungen in einem Datensatz, die ungewöhnlich weit von der Mehrheit der Daten entfernt liegen – Werte, die so extrem sind, dass sie wahrscheinlich nicht aus demselben zugrunde liegenden Prozess oder derselben Grundgesamtheit stammen. Das Erkennen von Ausreißern ist ein wichtiger Schritt bei der Prüfung der Datenqualität, denn ein einziger Extremwert kann Mittelwerte verzerren, Standardabweichungen aufblähen und die Ergebnisse von Prozessfähigkeitsanalyse, Regression und Hypothesentests erheblich beeinflussen.

Die am häufigsten verwendete Methode ist der Grubbs-Test (auch ESD-Test – Extreme Studentized Deviate – genannt), der prüft, ob sich der extremste Wert im Datensatz signifikant von den übrigen unterscheidet.

Einfache Definition:Ein formaler statistischer Test, der feststellt, ob Datenpunkte so extrem sind, dass sie wahrscheinlich nicht zum selben Prozess gehören – er hilft Ihnen zu entscheiden, ob verdächtige Werte untersucht oder entfernt werden sollten.

Wann wird ein Ausreißertest eingesetzt?

  • Verwenden Sie ihn, wenn Sie ungewöhnliche Werte in Ihrem Datensatz vermuten , bevor Sie eine Prozessfähigkeitsanalyse, Regression oder einen Hypothesentest durchführen.
  • Verwenden Sie ihn bei der Datenbereinigung und -validierung , um die Integrität der Daten zu bestätigen, bevor Sie Prozessentscheidungen treffen.
  • Verwenden Sie ihn, wenn ein einzelner Datenpunkt optisch extrem wirkt – in einem Histogramm oder einer Regelkarte – und Sie einen formalen Test benötigen, um zu bestätigen, ob er statistisch ungewöhnlich ist.
  • Verwenden Sie ihn, wenn Messfehler, Eingabefehler oder Ereignisse mit besonderer Ursache untypische Werte in den Datensatz gebracht haben könnten.

Hinweise zur richtigen Anwendung des Ausreißertests

  • Die Daten sollten annähernd normalverteilt sein – der Grubbs-Test setzt Normalverteilung voraus und arbeitet bei stark schiefen Daten möglicherweise nicht zuverlässig.
  • Löschen Sie markierte Ausreißer nie automatisch ohne Untersuchung – klären Sie immer, ob der Ausreißer ein echtes Prozessereignis, einen Messfehler oder einen Eingabefehler darstellt.
  • Prüfen Sie beim Grubbs-Test jeweils nur einen Ausreißer – einen Ausreißer zu entfernen und erneut zu testen ist zuverlässiger, als auf mehrere Ausreißer gleichzeitig zu testen.
  • Dokumentieren Sie alle entfernten Ausreißerzusammen mit der Begründung für die Entfernung – das ist für Audit-Trails und Qualitätsaufzeichnungen entscheidend.
  • Setzen Sie Alpha auf 0.05 als üblichen Standardwert – ein p-Wert unter 0.05 zeigt an, dass der markierte Wert statistisch ungewöhnlich ist.

Alternativen: Wann Sie den Ausreißertest nicht verwenden sollten

  • Sind die Daten nicht normalverteilt, verwenden Sie stattdessen robuste Methoden zur Ausreißererkennung wie die IQR-Methode oder die mediane absolute Abweichung (MAD).
  • Möchten Sie die Streuung der Daten optisch prüfen statt einen formalen Test durchzuführen, verwenden Sie einen Boxplot oder ein Einzelwertdiagramm
  • Werden mehrere Ausreißer erwartet, verwenden Sie den verallgemeinerten ESD-Test (Generalised Extreme Studentized Deviate) statt wiederholter Grubbs-Tests auf einen einzelnen Ausreißer.
  • Geht der Ausreißer auf ein bekanntes Ereignis mit besonderer Ursachezurück, behandeln Sie ihn als Prozesssignal und untersuchen Sie ihn mit Regelkarten , statt ihn einfach zu entfernen.

Beispiel für einen Ausreißertest

Ein Qualitätsingenieur eines Herstellers von Holzstielen prüft die Festigkeit einer Zufallsstichprobe von Besenstielen. Er erfasst die Kraft, die zum Brechen jedes Stiels erforderlich ist. Er erstellt ein Diagramm der Daten und bemerkt, dass einer der Werte in der Stichprobe ungewöhnlich klein erscheint. Der Test erfolgt in folgenden Schritten:

  1. Die nötigen Daten wurden erhoben.
Outlier test — figure 1
  1.  Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
  2.  Um den Ausreißertest zu finden, wählen Sie Statistical module> Hypothesis Test> Outlier test.
  3.  Im Tool gibt er die Daten zusammen mit weiteren Eingaben wie folgt ein:
Outlier test — figure 2

5. Mit dem oben genannten Tool erhält er folgende Ausgabe:

Outlier test — figure 3Outlier test — figure 4

Anleitung: Ausreißertest durchführen

Gehen Sie wie folgt vor:

  1. Melden Sie sich bei Zometric Statistical Software an: https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Outlier test.
  3. Geben Sie anschließend die Daten manuell ein oder kopieren Sie sie vollständig (Ctrl+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Ctrl+V).
  4. Füllen Sie die erforderlichen Optionen aus.
  5. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard von Outlier test ist in zwei Bereiche geteilt.

Outlier test — figure 5

Links befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Ctrl+C) und hier eingefügt (Ctrl+V) werden.

Load example: Beispieldaten werden geladen.

Load File: Damit laden Sie Excel-Daten direkt.

Rechts stehen folgende Optionen zur Verfügung:

  • Variables: Wählen Sie die Spalte(n) mit den stetigen Daten aus, die Sie auf Ausreißer testen möchten. Halten Sie Ctrl oder Command gedrückt und klicken Sie, um mehrere Spalten auszuwählen, wenn Sie mehrere Variablen gleichzeitig prüfen möchten. Jede ausgewählte Spalte wird unabhängig getestet – das Tool wertet jede Variable getrennt aus und meldet, ob in dem jeweiligen Datensatz statistisch extreme Werte vorhanden sind.
  • Significance Level: Legt die Schwelle fest, ab der ein markierter Wert als statistisch signifikanter Ausreißer gilt. Der übliche Standardwert ist 0.05; das bedeutet ein Risiko von 5%, einen normalen Datenpunkt fälschlich als Ausreißer zu erkennen, obwohl tatsächlich keiner vorliegt. Ein niedrigeres Signifikanzniveau (z. B. 0.01) macht den Test konservativer und verringert Fehlalarme, kann aber echte Ausreißer übersehen. Ein höheres Niveau (z. B. 0.10) macht den Test empfindlicher, erhöht aber die Wahrscheinlichkeit, Werte zu markieren, die lediglich Teil der natürlichen Prozessstreuung sind.
  • Outlier Test: Grubbs Der Grubbs-Test ist die statistische Methode zur Erkennung von Ausreißern. Er berechnet, um wie viele Standardabweichungen der extremste Wert im Datensatz vom Mittelwert entfernt liegt, und vergleicht diesen Abstand mit einem kritischen Wert, der vom Stichprobenumfang und vom Signifikanzniveau abhängt. Überschreitet der extremste Wert die kritische Schwelle, wird er als statistisch signifikanter Ausreißer markiert.
  • Der Grubbs-Test setzt voraus, dass die Daten annähernd normalverteilt sind, und prüft jeweils nur einen Ausreißer – er ermittelt den einen extremsten Wert im Datensatz. Wird dieser Wert bestätigt und entfernt, kann der Test mit den verbleibenden Daten wiederholt werden, um auf weitere Ausreißer zu prüfen. Er ist die am weitesten anerkannte und am häufigsten verwendete Methode zur Ausreißererkennung bei normalverteilten stetigen Daten.
  • Outlier Plot: Ist diese Option aktiviert, wird ein Diagramm der Daten angezeigt, in dem der vermutete Ausreißer deutlich markiert ist. Das Diagramm zeigt alle Datenpunkte entlang einer Skala, sodass Sie sofort sehen, wie weit der markierte Wert von den übrigen Daten entfernt liegt. Diese visuelle Bestätigung ist wichtig, weil sie Ihnen hilft zu beurteilen, ob der Ausreißer ein echter Extremwert oder lediglich eine Beobachtung am natürlichen Rand der Verteilung ist – und so eine fundiertere Entscheidung darüber unterstützt, ob der markierte Punkt untersucht oder beibehalten werden sollte.

Häufig gestellte Fragen

Was ist ein Ausreißertest?

Ein Ausreißertest erkennt mit statistischen Mitteln Beobachtungen, die ungewöhnlich weit von den übrigen Daten entfernt liegen, so extrem, dass sie wahrscheinlich nicht aus demselben Prozess oder derselben Grundgesamtheit stammen. Er ist ein wichtiger Schritt der Datenqualitätsprüfung, da ein einziger Extremwert Mittelwerte verzerren, Standardabweichungen aufblähen und Prozessfähigkeitsanalyse, Regression und Hypothesentests beeinflussen kann.

Wie funktioniert der Grubbs-Test?

Der Grubbs-Test, auch ESD-Test (Extreme Studentized Deviate) genannt, berechnet, um wie viele Standardabweichungen der extremste Wert vom Mittelwert entfernt liegt, und vergleicht diesen Abstand mit einem kritischen Wert, der vom Stichprobenumfang und vom Signifikanzniveau abhängt. Überschreitet er die Schwelle, wird der Wert als statistisch signifikanter Ausreißer markiert.

Welche Voraussetzungen hat der Grubbs-Ausreißertest?

Die Daten sollten annähernd normalverteilt sein, da der Grubbs-Test bei stark schiefen Daten möglicherweise nicht zuverlässig arbeitet. Er prüft jeweils nur einen Ausreißer; wird ein Wert bestätigt und entfernt, kann der Test mit den verbleibenden Daten wiederholt werden. Bei nicht normalverteilten Daten verwenden Sie robuste Methoden wie die IQR-Methode oder die mediane absolute Abweichung (MAD).

Sollten Sie Ausreißer löschen, die ein Ausreißertest gefunden hat?

Löschen Sie markierte Ausreißer nie automatisch. Klären Sie zuerst, ob der Wert ein echtes Prozessereignis, einen Messfehler oder einen Eingabefehler widerspiegelt, und dokumentieren Sie alle entfernten Ausreißer mit Begründung. Geht ein Ausreißer auf eine bekannte besondere Ursache zurück, behandeln Sie ihn als Prozesssignal und untersuchen Sie ihn mit Regelkarten.