鲁棒 Chauvenet 异常值剔除

Sigma 裁剪在天文学中常用于异常值剔除，但应从样本中裁剪掉的数据超出标准差的倍数最终取决于样本大小。Chauvenet 剔除是最古老也是最简单的方法之一来对此加以考虑，但如同 sigma 裁剪一样，它依赖于样本的均值与标准差，而二者均非鲁棒量：两者都易被正欲剔除的那些异常值所污染。许多更鲁棒的集中趋势与样本离散度度量方法存在，但各自在精度上有权衡。此处我们证明，若依次应用鲁棒性递减但精度递增的技术，异常值剔除可同时具备极高鲁棒性与极高精度。为此，我们提出一种 Chauvenet 剔除的变体，称为“鲁棒”Chauvenet 剔除（RCR），其使用了三种鲁棒性递减/精度递增的集中趋势度量，以及四种鲁棒性递减/精度递增的样本离散度度量。我们表明该序列方法对多种污染类型极为有效，即便样本中有显著——甚至主导性——比例的污染，尤其当污染物较强时。此外，我们开发了批量剔除变体以显著缩短计算时间，且 RCR 既可应用于加权数据，也可在将数据拟合参数化模型时使用。我们给出受污染拥挤场中的孔径测光作为示例。任何人可在 https://skynet.unc.edu/rcr 使用 RCR，源代码亦在该处提供。