Ausreißer erkennen
Modellus erkennt automatisch Messpunkte, die deutlich von der Regressionskurve abweichen, und hilft dir so, Messfehler oder interessante Erscheinungen zu entdecken.
Überblick
Wenn du eine Regression über Tabellendaten berechnest, vergleicht Modellus jeden Messpunkt mit der angepassten Kurve. Punkte, die deutlich zu weit von der Kurve entfernt liegen, werden als Ausreißer gekennzeichnet. In Diagramm-Formen sind sie sichtbar markiert, damit du deine Daten besser deuten kannst.
So funktioniert die Erkennung von Ausreißern
Die Erkennung läuft so ab:
- Über die ausgewählten Daten wird eine Regression berechnet (linear oder quadratisch)
- Für jeden Messpunkt wird das Residuum (der Abstand zur Kurve) berechnet
- Punkte, deren Residuum eine statistische Schwelle überschreitet, werden gekennzeichnet
- Die Methode
isOutlierIterationmarkiert diese Iterationen - Diagramme zeichnen Ausreißer in einem eigenen Stil
Darstellung im Diagramm
| Art des Punkts | Darstellung | Bedeutung |
|---|---|---|
| Normal | Gefüllter Kreis in der Farbe der Datenreihe | Messpunkt, der zum Regressionsmodell passt |
| Ausreißer | Andere Markierung (hohl oder in einer Kontrastfarbe) | Messpunkt weit entfernt von der angepassten Kurve |
Ausreißer deuten
Ein Ausreißer kann auf Folgendes hinweisen:
- Messfehler – Der Messwert wurde falsch notiert
- Störung im Experiment – Bei dieser Messung ist etwas Ungewöhnliches passiert
- Grenze des Modells – Das gewählte Regressionsmodell (linear/quadratisch) erfasst das Verhalten nicht vollständig
- Interessante Erscheinung – Ein tatsächlich anderes Verhalten, das es wert ist, untersucht zu werden
Mit Ausreißern arbeiten
Ausreißer von der Regression ausschließen
Wenn du feststellst, dass bestimmte Punkte Messfehler sind, kannst du sie ausschließen, indem du vor der Regression einen kleineren Zellbereich in der Tabelle auswählst. Nur die ausgewählten Zellen gehen in die Kurvenanpassung ein.
Regressionen vergleichen
Probiere für dieselben Daten sowohl die lineare als auch die quadratische Regression aus. Liefert das lineare Modell viele Ausreißer, das quadratische aber nicht, ist der Zusammenhang wahrscheinlich nicht linear – dann lohnt es sich, dein theoretisches Modell zu erweitern.
Technische Details
Die Erkennung von Ausreißern übernimmt die Rechenmaschine für jede Iteration mit ihrer Methode isOutlierIteration. Die Diagramm-Form fragt sie beim Zeichnen für jeden Punkt einer Y-Datenreihe ab und stellt gekennzeichnete Iterationen im Ausreißer-Stil dar.