第二章 文獻回顧與整理
第三節 異常點處理方式
資料來源：Aguinis et al. (2013) Aguinis et al. (2013)並建議在進行迴歸分析時，可以應用圖 2-2 的流程 來處理有影響力的異常點。由於模型擬合異常點與其他觀察值有明顯偏離，
故建議第一步先應用多種構造技術(以觀察值的殘差或距離判斷)檢測明顯 偏離的觀察值，並確定其不是錯誤或有趣的異常點，該觀察值就可能是模 型擬合異常點，第二步再檢查它們是否對模型的解釋能力有影響。其次，建 議以DFFITS、COOK'S 及 DFBETAS 等方法檢測每一筆觀察值對模型參數
‧
Stevens (1984)指出迴歸分析的結果可能會受到錯誤點的嚴重影響，研 究人員必須分離這些點。錯誤點的第一個來源是記錄錯誤，可以透過列出 是否為異常點，會存在遮蔽效應(Masking Effect)10和淹沒效應(Swamping
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
Effect)11的影響，所以要做出正確的檢測就變得相對困難。因此，近年來有 許多研究是探討應用新發展的穩健迴歸(Robust Regression)來處理多個異常 點，例如呂秀英(2000)應用最小中量平方(Least Median of Squares, LMS);
Turkan, Cetin & Toktamis (2012)應用 M 估計(M-estimation)；袁淑湄(2016)應 用最小消去平方法(Least Trimmed Squares, LTS)等。Cook & Weisberg (1982) 提到雖然這些新發展的方法在某些方面似乎更具有競爭力，但只要傳統迴 歸分析的最小平方法(Ordinary Least Squares, OLS)繼續被廣泛使用，其相對 應的異常點檢測方法仍然存在應用價值。
整理國內近年來以特徵價格模型作為研究工具，並使用統計軟體對樣 本進行異常點檢測的研究相當多如表2-4，回顧其研究主題、採用特徵變數、
樣本來源及實證結果等各有特色，如林秋瑾、楊宗憲、張金鶚(1996)以仲介 公司的成交資料，將異質性的住宅予以標準化，建立住宅價格指數；林祖 嘉、馬毓駿(2007)以某商業銀行的授信資料，建立特徵價格模型進行大量估 價；陳相甫、張金鶚、江穎慧(2011)以市場上新成屋與預售屋的個案調查資 料，探討住宅特徵發生變化對房價的影響；楊宗憲、蘇倖慧(2011)以臺灣不 動產成交行情公報，探討迎毗與鄰避設施對房價的影響範圍與程度等。經 整理這些文獻發現一些共通點，皆是應用特徵價格法半對數模型12作為研究 模型，且皆以DFFITS 法作為異常點判斷準則，但未就所檢測出的異常點加 以著墨探究，僅是以直接刪除方式處理異常點。
雖然將異常點直接刪除是最簡易的研究處理，但這樣簡易的作法，並 無法了解整體樣本特性與蘊含訊息。因此，在檢測出異常點後，應探究這些 異常點的結構與成因，從中進一步發掘出是否有被漠視的重要訊息，並根 據研究目的、資料的性質或實務上的應用等來決定處理方式。
11 淹沒效應係指一個正常值因為受到其他觀察值的影響而被誤判為異常點。
12 特徵價格模型具有容易操作及易於解釋的優點，但不動產價格資料普遍有違反常態分 配假設的問題，採半對數模型與實際狀況較吻合(江穎慧，2009)。
‧
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University