Bonjour @Syrine,
Je déconseille très fortement d'enlever des valeurs de votre analyse pour "réduire l'écart-type" : celà correspond à éliminer des résultats qui ne vous plaisent pas, et ce n'est pas une manière objective d'analyser vos résultats. Le nombre d'échantillons/tests étant réduit, il n'est pas anormal de voir des points se différencier des autres : si vous accumulez plus de données, vous pourrez voir s'il s'agit vraiment de points "anormaux" ou de points qui font partie de la distribution de votre population.
Votre analyse de point aberrant est basée sur les quantiles, mais vous avez aussi d'autres méthodes disponibles dans JMP, qui ne vous donneront pas forcément le même résultat : Explore Outliers (jmp.com) Les points que vous avez identifiés restent-ils aberrants selon la technique de détection employée (Robust PCA, K-Nearest Neighbors, ...) ?
Si vous avez quelques mesures aberrantes, il peut être intéressant de comprendre d'où elles viennent et à quoi elles sont dues : erreur de mesure/calibration, erreur de manipulation, mauvais échantillon, changement de batch, etc... Si vous êtes en mesure d'expliquer pourquoi certaines mesures peuvent être aberrantes, vous pouvez alors limiter leur "poids" dans l'analyse :
- En créant une nouvelle colonne "Fréquence" ou "Poids", en spécifiant un poids faible pour les points aberrants (par exemple égal à : nombre de point aberrants divisé par nombre de points total) et en l'utilisant dans les plateformes disposant d'un rôle "Poids" ou "Fréquence" ou
- En les excluant de l'analyse (ou en testant en comparatif l'analyse avec et sans points aberrants, pour voir l'influence de ces points sur vos résultats). Un point aberrant n'est pas forcément un point influent.
En espérant que ces quelques commentaires vous aideront,
Victor GUILLER
L'Oréal Data & Analytics
"It is not unusual for a well-designed experiment to analyze itself" (Box, Hunter and Hunter)
