Detecting outliers when fitting data with nonlinear regression - a new method based on robust nonlinear regression and the false discovery rate.

TEMA: Nonlinear regressão, como regressão linear, assume que a dispersão dos dados em torno da curva ideal segue uma distribuição de Gauss ou normal. Esta hipótese conduz à meta familiar de regressão: para minimizar a soma dos quadrados das distâncias verticais ou Y de valor entre os pontos e a curva. Outliers pode dominar o cálculo soma-das-quadrados, e levar a resultados enganosos. No entanto, não sabemos de nenhum método prático para identificar rotineiramente casos anómalos na montagem curvas com regressão não linear. RESULTADOS: Descrevemos um novo método para a identificação de outliers na montagem de dados com regressão não linear. O primeiro ajustar os dados usando uma forma robusta de regressão não-linear, com base no pressuposto de que se segue uma distribuição de dispersão de Lorentz. Eu inventei um novo método adaptativo que gradualmente se torna mais robusto como o método prossegue. Para definir valores extremos, que adaptou a abordagem taxa de descoberta de falsas para lidar com as comparações múltiplas. Em seguida, remover os valores atípicos, e analisar os dados usando ordinária regressão de mínimos quadrados. Porque o método combina regressão robusta e remoção outlier, chamamos isso o método ROUT. Ao analisar os dados simulados, onde todos de dispersão é Gaussian, nosso método detecta (falsamente) de um ou mais outlier em apenas cerca de 1-3% dos experimentos. Ao analisar os dados contaminados com um ou vários valores extremos, o método ROUT executa bem na identificação de aberrações, com uma taxa média de Descoberta False menos de 1%. CONCLUSÃO: Nosso método, que combina um novo método de regressão não linear robusta com um novo método de identificação de aberrações, identifica valores atípicos de curva não-linear se encaixa com razoável poder e poucos falsos positivos.