Een outlier of uitschieter is een meetwaarde die zo sterk afwijkt van de rest van een dataset dat gerechtvaardigd kan worden getwijfeld of hij tot dezelfde populatie behoort als de overige waarnemingen. Voor laboratoria die werken onder ISO 17025, GLP of GMP is de omgang met uitschieters geen kwestie van gevoel maar van gestandaardiseerde statistiek. Dit artikel behandelt de drie meest toegepaste toetsen — Grubbs, Dixon Q en de Q-test — plus aanvullende technieken zoals de Cochran C-test en de IQR-methode. U leert wanneer welke toets past, welke kritische waarden gelden, hoe de toetsen zich verhouden tot ISO 5725 en ISO 13528, en waarom een uitschieter nooit zonder inhoudelijke onderbouwing mag worden verwijderd.
Een outlier is een individuele waarneming die substantieel afwijkt van het patroon van de overige waarnemingen. De internationale metrologische terminologie (International Vocabulary of Metrology, JCGM 200) spreekt van een anomalous observation: een resultaat dat niet consistent is met de aangenomen verdeling van de meetgrootheid. Belangrijk is dat “afwijkend” niet automatisch betekent “fout”. Een uitschieter kan drie fundamenteel verschillende oorzaken hebben: een aanwijsbare meetfout (verkeerde weging, transcriptiefout, pipetteerfout, verontreiniging), een echte natuurlijke variatie in het monster (heterogeniteit, matrix-effect), of een zeldzame maar reële waarde uit de staarten van de verdeling. Alleen bij de eerste categorie is verwijdering gerechtvaardigd; de andere twee zijn informatiedragende signalen die zelden mogen worden geschrapt.
De termen zijn synoniem: outlier is de internationale wetenschappelijke term, uitschieter of uitbijter is de Nederlandse equivalent. In Nederlandstalige normteksten (NEN-vertalingen van ISO 5725) wordt uitschieter aangehouden voor waarnemingen die significant afwijken bij een gekozen betrouwbaarheidsniveau; straggler wordt gebruikt voor grensgevallen die significant zijn op 5 % maar niet op 1 %. Voor de rest van dit artikel gebruiken wij outlier en uitschieter als uitwisselbaar.
In de statistiek worden uitschieters doorgaans ingedeeld naar oorzaak en naar positie in de dataset. Naar oorzaak zijn er drie categorieën: (1) fout-gebaseerde uitschieters — veroorzaakt door een meetfout, transcriptiefout, pipetteerfout of instrumentstoring; (2) interesse-uitschieters — reeds zichtbare maar verklaarbare afwijkingen zoals een matrixeffect of monsterinhomogeniteit; en (3) statistische extremen — zeldzame maar reële waarden uit de staarten van de verdeling die geen fout vertegenwoordigen. Naar positie onderscheidt men enkelvoudige uitschieters (één afwijkende waarde), meervoudige uitschieters aan dezelfde kant van de verdeling, en bilaterale uitschieters aan beide kanten. Alleen fout-gebaseerde uitschieters rechtvaardigen verwijdering; de andere twee typen zijn informatiedragende signalen die in het meetrapport worden gedocumenteerd.
Binnen de fout-gebaseerde categorie zijn apparaatgebonden oorzaken bijzonder relevant voor het laboratorium. Elektrische ruis in een detector of ADC-converter kan incidenteel een sterk afwijkend signaal produceren; een driftend referentie-elektrode of een slecht gecalibreerde sensor levert systematisch verschoven waarden op die pas bij statistische controle opvallen. Ook contaminatie van een cuvet, een verstopt injectorkanaal of een tijdelijke temperatuurafwijking in een ovenblok kunnen enkelvoudige uitschieters veroorzaken die bij herhaalde meting niet reproduceerbaar zijn. Controleer bij een vermoedelijk instrument-gerelateerde uitschieter daarom altijd de kalibratiehistorie van het betrokken apparaat en documenteer de bevinding conform de root cause analysis-procedure.
Het ongegrond verwijderen van uitschieters — ook wel “testing into compliance” genoemd — is een van de meest voorkomende bevindingen in FDA-inspecties en RvA-audits. Zonder aantoonbare, inhoudelijke oorzaak (defect instrument, gedocumenteerde procedurefout, aantoonbare verontreiniging) leidt verwijdering tot een vertekend beeld van de spreiding, een te optimistisch beeld van de precisie en — in QC-context — tot het onterecht vrijgeven van batches. USP General Chapter <1010> is expliciet: een outlier-test geeft een signaal, niet een besluit. De uiteindelijke beslissing om een waarde te verwerpen is een wetenschappelijk oordeel dat wordt onderbouwd met bewijsstukken uit het laboratoriumonderzoek.
Uitschieters vertekenen elke statistische maat die op de volledige dataset wordt berekend. Het gemiddelde en de standaardafwijking — de twee bouwstenen van vrijwel elke laboratoriumbeoordeling — zijn beide bijzonder gevoelig voor extreme waarden. Eén uitschieter in een set van tien metingen kan de standaardafwijking verdubbelen en de meetonzekerheid onterecht opblazen. Omgekeerd kan het onbewust meenemen van een echte uitschieter leiden tot onjuiste bias-schattingen, foute conclusies bij interlaboratoriumvergelijking en tot valse aannames over de reproduceerbaarheid van analytische methoden. Een geformaliseerde outlier-test brengt structuur in de beslissing en documenteert die beslissing herleidbaar.
Voor u een formele toets uitvoert, is een visuele controle onmisbaar.
Voor u een formele toets uitvoert, is een visuele controle onmisbaar. Plot de data als dotplot, boxplot of histogram: uitschieters vallen doorgaans direct op als losstaande punten buiten de hoofdverdeling. Voor een snelle interactieve visualisatie kunt u onze statistiek & data-analyse calculator gebruiken, die een kleurgecodeerde dotplot met IQR-grenzen genereert. Bij tijdsreeksen levert een controlekaart (Shewhart, EWMA of CUSUM) een vergelijkbare visuele signalering. Pas na visuele bevestiging volgt de formele toets. Verkennende visualisatie zonder toets is subjectief; een toets zonder visualisatie loopt het risico echte uitschieters te missen door schending van de onderliggende aannames (bijvoorbeeld normaliteit).
De Grubbs-toets (soms “maximum normed residual test” genoemd) is de meest toegepaste formele test voor één uitschieter in een normaal verdeelde dataset. De test is genoemd naar Frank E. Grubbs, die de toets in 1950 publiceerde en formaliseerde in latere werken. ISO 5725-2 gebruikt Grubbs als standaardtoets voor het detecteren van uitschieters binnen één laboratorium (herhaalbaarheidsniveau) en tussen laboratoria (reproduceerbaarheidsniveau).
De Grubbs-toets is de juiste keuze wanneer aan drie voorwaarden is voldaan: (1) de dataset bevat één enkele verdachte waarde — niet meerdere; (2) de onderliggende verdeling mag redelijkerwijs als normaal worden aangenomen (bevestigd via bijvoorbeeld een Shapiro-Wilk-toets of een QQ-plot); en (3) de steekproefgrootte n ligt tussen 3 en circa 30. Voor grotere n blijft Grubbs formeel toepasbaar, maar in de praktijk kiezen laboratoria bij grote datasets vaker voor robuuste alternatieven zoals de IQR-methode of gegeneraliseerde ESD (extreme studentized deviate).
De teststatistiek G is de maximale absolute afwijking van het gemiddelde, gedeeld door de standaardafwijking:
G = | xverdacht − x̄ | / s
waarbij x̄ het steekproefgemiddelde is en s de steekproef-standaardafwijking (n − 1 in de noemer). De berekende G wordt vergeleken met een kritische waarde Gkrit uit een tabel, afhankelijk van n en het gekozen significantieniveau α. Overschrijdt G de kritische waarde, dan wordt de verdachte waarde statistisch als uitschieter aangemerkt.
Onderstaande tabel geeft de kritische waarden Gkrit voor de tweezijdige Grubbs-toets bij de meest gebruikte significantieniveaus. De waarden zijn gebaseerd op de klassieke Grubbs-tabellen zoals opgenomen in ISO 5725-2 en de gebruikelijke statistiekhandboeken.
Voor n tussen deze waarden mag lineair worden geïnterpoleerd. Voor n > 50 nadert de kritische waarde asymptotisch de vorm die volgt uit de t-verdeling; in de praktijk zijn robuuste alternatieven dan doorgaans praktischer.
Bij de tweezijdige Grubbs-toets wordt getoetst of de meest extreme waarde — hoog of laag — significant afwijkt. Bij de enkelzijdige variant is vooraf bekend welke kant onder onderzoek staat: alleen het maximum, of alleen het minimum. Enkelzijdig is statistisch krachtiger, maar mag alleen worden gebruikt wanneer de keuze vóór de meting is vastgelegd. Achteraf de richting kiezen op basis van de dataset is een schending van goede statistische praktijk en verhoogt het risico op vals-positieve uitschieters.
De standaard-Grubbs is ontworpen voor één uitschieter. Voor meerdere verdachte waarden bestaan uitbreidingen: de Tietjen-Moore-toets voor een vooraf bepaald aantal k uitschieters aan één zijde, en de gegeneraliseerde ESD-toets (Rosner) voor een onbekend aantal tot een vooraf gekozen bovengrens. Iteratief herhalen van Grubbs op een dataset waarvan telkens de meest extreme waarde is verwijderd, is statistisch niet equivalent aan deze uitbreidingen en leidt tot masking: meerdere uitschieters onderdrukken elkaars significantie via de opgeblazen standaardafwijking. Voor multiple-outlier scenario’s zijn ESD of robuuste methoden doorgaans de correcte keuze.
De Dixon Q-test — in de literatuur ook wel Q-test van Dixon, Q-toets of eenvoudigweg Q-test genoemd — is de historische standaard voor uitschieterdetectie in zeer kleine datasets. De test is in 1951 gepubliceerd door W.J. Dixon en gebruikt geen standaardafwijking; hij werkt met verhoudingen van gaps tussen opeenvolgende waarden. Dat maakt hem robuust tegen de invloed van de uitschieter op de eigen toetsingsstatistiek — het probleem dat Grubbs bij kleine n heeft.
Dixon Q is de eerste keuze bij zeer kleine datasets: n = 3 tot 7 waarnemingen. Bij grotere n neemt het onderscheidend vermogen af en zijn Grubbs of robuuste tests statistisch krachtiger. Klassiek gebruik: een titratie in drievoud waarbij één uitkomst duidelijk afwijkt; een kleine serie smeltpuntbepalingen; of een Karl Fischer-titratie waarbij vier of vijf herhalingen zijn uitgevoerd. Dixon Q vereist ook een normaalverdeling, maar is minder gevoelig voor kleine afwijkingen dan Grubbs bij lage n.
De teststatistiek Q is de verhouding tussen de gap tussen de verdachte waarde en zijn buur, en het bereik van de gehele dataset:
Q = | xverdacht − xbuur | / (xmax − xmin)
Voor n = 3 tot 7 wordt bovenstaande formule (Q10 in Dixon-notatie) gebruikt. Voor n = 8 tot 10 hanteert Dixon een lichte variant (Q11) waarbij de tweede-buurwaarde wordt gebruikt in plaats van de directe buur; voor n = 11 tot 13 komt Q21 in beeld. In moderne laboratoriumpraktijk wordt Dixon Q vrijwel uitsluitend nog toegepast voor n ≤ 7; voor grotere n is Grubbs de norm.
Voor n > 10 verliest Dixon Q snel aan onderscheidend vermogen; kies dan Grubbs of een robuuste methode. De hier vermelde waarden zijn de klassieke tabellen zoals gepubliceerd door Dixon; iets afwijkende vormen (Rorabacher, 1991) worden in enkele farmaceutische omgevingen aangehouden en geven op de tweede decimaal soms andere waarden.
In vrijwel alle chemische en farmaceutische literatuur is “Q-test” een verkorte aanduiding voor de Dixon Q-test. In sommige statistiekhandboeken duikt “Q-test” ook op voor de Cochran Q-test (voor gepaarde binaire data) of voor de Studentized range test (Tukey’s Q); dit zijn geheel andere toetsen. In een laboratoriumcontext betekent “Q-test” standaard Dixon Q, tenzij expliciet anders vermeld.
Waar Grubbs en Dixon Q kijken naar individuele meetwaarden, richt de Cochran C-test zich op varianties. In een ringonderzoek of in een reeks intra-laboratorium herhalingen wordt getoetst of één laboratorium (of één groep) een variantie heeft die significant groter is dan die van de overige groepen. ISO 5725-2 schrijft de Cochran C-test voor als eerste stap in de uitschieterdetectie voor herhaalbaarheidsonderzoek, voorafgaand aan de Grubbs-toets op laboratoriumgemiddelden.
C = smax² / Σ si²
De teststatistiek is de maximale variantie gedeeld door de som van alle varianties in de vergelijking. C wordt vergeleken met een kritische waarde die afhangt van het aantal groepen p en het aantal herhalingen n per groep. Bij overschrijding wordt de betrokken groep als variantie-uitschieter aangemerkt. In een interlaboratoriumvergelijking onder ISO 13528 wordt de Cochran-toets iteratief toegepast: na verwijdering van een variantie-uitschieter wordt de toets herhaald tot geen nieuwe uitschieters worden gedetecteerd.
De vuistregel binnen ISO 5725: Cochran toetst of één groep systematisch grotere spreiding heeft dan de andere (variantieprobleem); Grubbs toetst of één groep een afwijkend gemiddelde heeft (bias-probleem). In een goed opgezet ringonderzoek worden beide toetsen na elkaar uitgevoerd: eerst Cochran op de intra-groep varianties, daarna Grubbs op de groepsgemiddelden.
De IQR-methode (Interquartile Range, tussenkwartielafstand) is een distributievrije techniek: er wordt geen normaalverdeling aangenomen. De methode is ontwikkeld door de Amerikaanse statisticus John Tukey en staat daardoor ook bekend als de Tukey-methode voor uitschieterdetectie. De IQR zelf — het verschil tussen het derde kwartiel (Q3) en het eerste kwartiel (Q1) — beschrijft de middelste 50 % van de dataset en is als maat dus niet hetzelfde als een uitschieter: de IQR kwantificeert de spreiding, terwijl een uitschieter een individuele waarde is die buiten de op de IQR gebaseerde grenzen valt. Waarden buiten Q1 − k·IQR of Q3 + k·IQR worden als uitschieter aangemerkt, met k = 1,5 voor “milde” uitschieters en k = 3,0 voor “extreme” uitschieters.
IQR is de aangewezen keuze wanneer de verdeling onbekend of duidelijk niet-normaal is, wanneer meerdere uitschieters gelijktijdig verdacht zijn (Grubbs faalt hier door masking), of wanneer u de dataset explorerend wilt beoordelen zonder direct een formele toets uit te voeren. Voor grote datasets (n > 30) is IQR vaak praktischer dan Grubbs; voor kleine datasets (n < 10) is IQR onbetrouwbaar omdat kwartielen bij lage n slecht gedefinieerd zijn.
De keuze tussen IQR en standaardafwijking als basis voor uitschieterdetectie hangt af van de verdeling en de aanwezigheid van meerdere verdachte waarden. De standaardafwijking is gevoelig voor uitschieters: één extreme waarde blaast hem op, waardoor andere afwijkende waarden “wegvallen” in de grotere spreiding (masking). De IQR is gebaseerd op kwartielen en daarmee robuust: extremen aan de randen van de dataset beïnvloeden de IQR nauwelijks.
Een lage IQR duidt op een homogene, nauw samengeperste dataset — wat in een laboratoriumcontext dikwijls een teken is van hoge precisie. Een onverwacht lage IQR kan echter ook het gevolg zijn van afgeknotte data of van een meetbereik dat te krap is ingesteld. Een hoge IQR wijst op grotere spreiding; of dat problematisch is, hangt af van de acceptatiecriteria voor de betrokken methode.
Als vuistregel: gebruik de standaardafwijking (Grubbs, Dixon) wanneer de verdeling normaal is en u één verdachte waarde verwacht; gebruik de IQR-methode wanneer de verdeling onbekend of scheef is, wanneer meerdere uitschieters mogelijk aanwezig zijn, of wanneer u een snelle visuele screening wilt uitvoeren via een boxplot.
De factor 1,5 is geen arbitraire keuze maar is door John Tukey empirisch onderbouwd op basis van de normale verdeling. Bij een perfecte normaalverdeling valt de IQR samen met het interval van het 25e tot het 75e percentiel, wat overeenkomt met een breedte van circa 1,35 standaardafwijkingen. De grens Q1 − 1,5 · IQR komt daarmee overeen met een afstand van circa 2,7 standaardafwijkingen van het gemiddelde — een niveau waarbij minder dan 0,7 % van de waarnemingen uit een normale verdeling als uitschieter wordt aangemerkt. De strengere grens met factor 3,0 correspondeert met circa 4,0 standaardafwijkingen; slechts een fractie van een procent van de normale verdeling valt daarbuiten. De keuze voor 1,5 balanceert daarmee de kans op vals-positieven (onterecht aangemerkte waarden) tegen de kans op gemiste echte uitschieters, en is in de loop van de decennia overgenomen als standaard in boxplot-software en exploratieve data-analyse.
Ondergrens = Q1 − 1,5 · IQR | Bovengrens = Q3 + 1,5 · IQR
waarbij IQR = Q3 − Q1. Alles buiten deze grenzen is een “milde” uitschieter. Voor de strengere grens — extreme uitschieter — wordt de factor 1,5 vervangen door 3,0. De methode is direct te reproduceren op elke controlekaart of boxplot en vereist geen normaliteitstoets vooraf.
Naast de formele Grubbs-, Dixon- en IQR-toetsen bestaat de veelgebruikte 3-sigmaregel (ook wel drie-standaardafwijkingenregel): een meetwaarde wordt als verdacht aangemerkt wanneer zij meer dan drie standaardafwijkingen van het gemiddelde afwijkt. De bijbehorende z-score is de gestandaardiseerde afstand van een waarde tot het gemiddelde:
z = (xi − x̄) / s
Bij een perfecte normaalverdeling valt slechts 0,27 % van alle waarnemingen buiten de ±3σ-grens; een z-score groter dan |3| is daarmee statistisch zeldzaam genoeg om onderzoek te rechtvaardigen. In de praktijk worden de drempelwaarden |z| > 2,5 (ruimere screening) en |z| > 3,0 (standaard) het meest gehanteerd. De vraag of 1,5 standaardafwijking volstaat als drempel voor een uitschieter heeft een kort antwoord: nee. Bij 1,5σ valt al circa 13 % van de waarnemingen uit een normale verdeling buiten de grens; dat leidt tot een onaanvaardbaar hoog aantal vals-positieve uitschietermeldingen. De 3-sigmaregel is een vuistregel voor verkennend gebruik en is niet equivalent aan een formele Grubbs- of Dixon Q-toets: zij steunt op hetzelfde gemiddelde en dezelfde standaardafwijking die zelf door de uitschieter worden vertekend. Bij kleine datasets (n < 10) verdient de Dixon Q-test daarom de voorkeur.
De 68-95-99,7-regel — ook wel de empirische regel of drie-sigmaregel genoemd — beschrijft welk aandeel van de waarnemingen binnen respectievelijk 1, 2 en 3 standaardafwijkingen van het gemiddelde valt bij een normaalverdeling:
Slechts 0,3 % van de waarnemingen valt daarmee buiten de ±3σ-grens. In een laboratoriumserie van 100 metingen verwacht u bij zuiver toeval dus slechts 0,3 waarden buiten die grens — statistisch zo zeldzaam dat een dergelijke waarde als uitschieter verdacht is. De 68-95-99,7-regel geldt strikt alleen voor een perfecte normaalverdeling; bij scheve of zware-staart-verdelingen kan het aandeel buiten ±3σ aanzienlijk hoger liggen. Controleer daarom altijd eerst of uw dataset redelijkerwijs normaal verdeeld is voordat u deze vuistregel toepast.
ISO 5725 (Accuracy — trueness and precision — of measurement methods and results) is de internationale zesdelige normenreeks die het raamwerk levert voor het bepalen van juistheid en precisie van analytische methoden. In deel 2 (ISO 5725-2) staat de statistische afhandeling van interlaboratoriumonderzoek beschreven, inclusief de expliciete voorschriften voor uitschieterdetectie. De norm onderscheidt twee niveaus van “afwijkendheid”: stragglers (significant op α = 0,05 maar niet op α = 0,01) en outliers (significant op α = 0,01).
ISO 5725-2 hanteert een tweetraps-aanpak. Eerst wordt de Cochran C-test uitgevoerd op de intra-laboratorium varianties — om vast te stellen of één laboratorium een structureel grotere spreiding heeft dan de rest. Daarna wordt de Grubbs-toets uitgevoerd op de laboratoriumgemiddelden — om vast te stellen of één laboratorium een afwijkende bias vertoont. Beide toetsen kunnen ook in hun “dubbele” variant worden toegepast: gelijktijdig toetsen op twee uitschieters aan verschillende kanten van de verdeling.
ISO 5725 is gericht op het karakteriseren van de methode: hoe reproduceerbaar en herhaalbaar is een analytische procedure over meerdere laboratoria heen? ISO 13528 is gericht op het beoordelen van de laboratoria: hoe presteert dit ene laboratorium ten opzichte van de andere deelnemers aan een proficiency test? De statistische instrumenten — Grubbs, Cochran, robuuste algoritmen — zijn grotendeels dezelfde, maar het interpretatiekader verschilt. ISO 13528 bevat aanvullend robuuste schattingsmethoden (algorithme A, Q/Hampel) die minder gevoelig zijn voor uitschieters in de assigned value zelf.
Voor farmaceutische kwaliteitscontrole is USP General Chapter <1010> (Analytical Data — Interpretation and Treatment) het referentiedocument. USP <1010> erkent expliciet zowel Dixon Q als Grubbs als geldige uitschieter-toetsen, maar met een belangrijk voorbehoud: het gebruik ervan is beperkt tot situaties waar de intrinsieke variabiliteit van de methode dit rechtvaardigt — typisch biologische assays. Voor chemische assays (HPLC-gehaltebepaling, titratie, spectrofotometrie) is een outlier-test vóór afwijzing van een OOS-resultaat niet acceptabel. De statistiek geeft signaal; de beslissing komt uit het laboratoriumonderzoek. Dit onderscheid is essentieel voor iedereen die met OOS- of OOT-onderzoek werkt.
Alleen onder strikte voorwaarden. Het gebruik van een outlier-test om een OOS-resultaat statistisch te verwerpen zonder aantoonbare laboratoriumoorzaak wordt door FDA-inspecteurs consequent afgewezen. De outlier-test kan wel worden gebruikt om een hypothese te onderbouwen: bijvoorbeeld dat één van meerdere heranalyses afwijkt en aanvullend onderzoek verdient. De uiteindelijke afwijzing van een resultaat vereist altijd een gedocumenteerde, wetenschappelijk verdedigbare grondoorzaak.
Een QC-laboratorium voert een HPLC-gehaltebepaling uit in achtvoud op een tablettenbatch. De acht individuele waarden voor het gehalte (in % van claim): 99,8 — 100,2 — 100,0 — 99,7 — 100,3 — 100,1 — 99,9 — 95,4. De laatste waarde valt duidelijk op. Stap 1: normaliteit van de overige zeven waarnemingen bevestigen (visueel via QQ-plot: aanvaardbaar). Stap 2: Grubbs-toets uitvoeren over de acht waarden.
Gemiddelde x̄ = 99,43 %; standaardafwijking s = 1,63 %. G = |95,4 − 99,43| / 1,63 = 2,47. Kritische waarde Gkrit(n=8, α=0,05) = 2,126. G > Gkrit: de waarde 95,4 % is statistisch een uitschieter op 5 %-niveau. Ook op 1 %-niveau (Gkrit = 2,274) wordt de significantie overschreden. Conclusie: statistisch signaal bevestigd. Volgens de USP <1010>-regels vraagt dit nu om een laboratoriumonderzoek: was er een pipetteerfout, een integratiefout, een verontreiniging? Zonder inhoudelijke oorzaak wordt de waarde meegenomen in het rapport, met vermelding van de statistische afwijking.
Een Karl Fischer-titratie op een oplosmiddelbatch levert vier resultaten voor het vochtgehalte (in ppm): 152 — 158 — 155 — 210. De vierde waarde is verdacht. Voor n = 4 is Dixon Q de aangewezen keuze. Gesorteerd: 152, 155, 158, 210. Q = (210 − 158) / (210 − 152) = 52 / 58 = 0,897. Kritische waarde Qkrit(n=4, α=0,05) = 0,829. Q > Qkrit: de waarde 210 ppm is statistisch een uitschieter op 5 %-niveau. Bij α = 0,01 is Qkrit = 0,926 — hier < Q = 0,897 wordt niet overschreden, dus in ISO 5725-terminologie is dit een straggler: significant op 5 % maar niet op 1 %.
Naast de klassieke Grubbs, Dixon en Cochran zijn er robuuste alternatieven die minder gevoelig zijn voor de aanwezigheid van meerdere uitschieters. De mediane absolute afwijking (MAD) is een robuuste vervanger voor de standaardafwijking: MAD = median(|xi − median(x)|). Een waarde wordt als uitschieter aangemerkt wanneer |xi − median| / MAD groter is dan 3,5. Deze techniek wordt in ISO 13528 als algoritme voor robuuste schatting van de assigned value gebruikt. Voor tijdsreeksen en procesbewaking bieden Hampel-filters en Grubbs voor stream data uitkomst. In de moderne laboratoriuminformatica worden deze robuuste methoden vaak in LIMS- of ELN-systemen ingebouwd zodat uitschieterdetectie automatisch en gedocumenteerd verloopt.
De Generalized Extreme Studentized Deviate-test (GESD, ook wel Rosner-test) is een formele statistische toets voor het gelijktijdig detecteren van meerdere uitschieters in een normaal verdeelde dataset. Waar Grubbs en Dixon Q zijn ontworpen voor één verdachte waarde, is de GESD-test specifiek bedoeld voor situaties waarin het aantal uitschieters vooraf onbekend is, maar een bovengrens k kan worden opgegeven.
De testprocedure werkt iteratief: in elke stap wordt de meest extreme waarde getoetst op basis van een gestandaardiseerde afstandsmaat, vergelijkbaar met de Grubbs-statistiek. Dit wordt k keer herhaald, waarna via een achterwaartse beslisregel wordt vastgesteld hoeveel waarden daadwerkelijk als uitschieter worden aangemerkt. Doordat de kritische waarden per stap worden berekend op basis van de dan resterende steekproefgrootte, voorkomt de methode het masking-effect dat optreedt wanneer u Grubbs iteratief toepast.
De GESD-test is de aangewezen keuze wanneer:
In de praktijk wordt de GESD-test onder meer aanbevolen door de Amerikaanse norm ASTM E178 en wordt hij in Python direct ondersteund via de outlier_utils-package en de scipy.stats-bibliotheek. Voor de toepassing in methodevalidatie en trendanalyse biedt de GESD-test een formeel onderbouwd alternatief voor het iteratief herhalen van de Grubbs-toets.
Masking treedt op wanneer de aanwezigheid van meerdere uitschieters de standaardafwijking zodanig opblaast dat individuele uitschieters niet meer als significant worden aangemerkt. Twee ver uit elkaar gelegen extreme waarden “maskeren” elkaar zo binnen de Grubbs-toets. De oplossing is een test die ontworpen is voor meerdere uitschieters (gegeneraliseerde ESD) of een robuuste techniek die niet afhangt van de standaardafwijking van de originele dataset (MAD-gebaseerde methoden).
Swamping is het tegenovergestelde effect: een echte uitschieter trekt het gemiddelde zodanig dat naastliggende — op zich normale — waarden ook als uitschieter worden aangemerkt. Ook dit effect wordt door robuuste methoden geminimaliseerd. Bewustzijn van masking en swamping is essentieel bij de interpretatie van klassieke outlier-tests op datasets waarvan het aantal uitschieters vooraf onbekend is.
Elke uitschieterbeoordeling moet aantoonbaar voldoen aan de ALCOA-principes: attribuutbaar aan een analist en tijdstip, leesbaar, contemporán vastgelegd, oorspronkelijk bewaard en nauwkeurig. Concreet betekent dit: de ruwe dataset wordt onwijzigbaar bewaard vóór toepassing van de outlier-test; de toets, het significantieniveau en het aantal betrokken waarnemingen zijn schriftelijk vastgelegd; de uitkomst wordt in het labjournal of ELN geregistreerd met datum en analistidentificatie; en de eventuele verwijdering van een waarde uit de eindberekening wordt onderbouwd met een inhoudelijke reden die verder gaat dan de statistische toets alleen.
De keuze hangt af van drie factoren: (1) aantal waarnemingen n, (2) aantal verdachte uitschieters en (3) verdeling. Voor n = 3 tot 7 met één verdachte waarde en normaliteit: Dixon Q. Voor n = 8 tot 30 met één verdachte waarde en normaliteit: Grubbs. Voor n > 30, onbekende verdeling of meerdere verdachte waarden: IQR of gegeneraliseerde ESD. Voor variantie-uitschieters tussen groepen (ringonderzoek): Cochran C. Bij twijfel: gebruik meerdere methoden en controleer of ze consistente conclusies leveren.
De snelste methode is een visuele boxplot gecombineerd met de Tukey-IQR-regel. In Excel voert u dit als volgt uit: (1) sorteer de dataset oplopend; (2) bereken Q1 met =KWARTIEL(bereik;1) en Q3 met =KWARTIEL(bereik;3); (3) bereken IQR = Q3 − Q1; (4) markeer waarden kleiner dan Q1 − 1,5 · IQR of groter dan Q3 + 1,5 · IQR als verdachte uitschieters. In nieuwere Excel-versies kunt u ook de ingebouwde boxplot (vlak-en-whiskergrafiek) gebruiken; uitschieters worden daarin automatisch als losse punten weergegeven. Deze aanpak vereist geen tabel met kritische waarden en geen normaliteitstoets, maar is uitsluitend geschikt als eerste screening. Voor formele, gedocumenteerde uitschieterbeoordeling — zoals vereist onder ISO 17025 of in OOS-procedures — volgt daarna altijd een Grubbs-, Dixon Q- of IQR-toets met vastgelegde kritische grens.
=KWARTIEL(bereik;1)
=KWARTIEL(bereik;3)
De internationale standaard is α = 0,05 als eerste screening (stragglers in ISO 5725-terminologie) en α = 0,01 als sterkere significantiedrempel (statistical outliers). Bij zeer gevoelige toepassingen — farmaceutische vrijgave, klinische chemie — kan een strengere α = 0,001 worden gehanteerd. Documenteer het gekozen niveau vooraf; achteraf kiezen op basis van gewenste uitkomst is niet toegestaan.
Bij een kalibratielijn is het niet gebruikelijk om individuele punten via Grubbs of Dixon Q te toetsen. In plaats daarvan wordt de residualenanalyse toegepast: standardized residuals, Cook’s distance of leverage-analyse. Een individueel kalibratiepunt kan wel via Grubbs op de residuen worden getoetst, mits u de aanname van normaal verdeelde residuen expliciet controleert.
Er is geen absolute grens, maar de vuistregel: het aantal legitieme verwijderingen moet klein zijn ten opzichte van n, en elke verwijdering moet inhoudelijk onderbouwd zijn. Wanneer meer dan circa 10 % van de dataset als uitschieter wordt aangemerkt, is er waarschijnlijk sprake van een fundamenteel probleem met de methode of de verdelingsaanname — niet met individuele waarnemingen. In die situatie is heroverwegen van de methode een betere respons dan verwijdering.
Een uitschieter is een individuele waarde die afwijkt van de rest van de dataset. Een influential point is een waarneming die — ongeacht of hij als uitschieter wordt gedetecteerd — onevenredig veel invloed heeft op het regressie- of modelresultaat. Bij regressie-analyse kan een punt dat ver van de puntenwolk ligt op de x-as (hoge leverage) een grote invloed hebben zonder statistisch een outlier te zijn. Cook’s distance en leverage-metrics kwantificeren deze invloed en zijn essentieel bij ijklijnvalidatie.
Beide toetsen gebruiken verschillende teststatistieken en zijn gevoelig voor verschillende aspecten van de dataset. Grubbs steunt op gemiddelde en standaardafwijking — die zelf beïnvloed worden door de uitschieter. Dixon Q gebruikt uitsluitend gaps tussen buren en bereik — die zijn robuuster tegen de zelf-invloed van de uitschieter, maar hebben minder onderscheidend vermogen bij grotere n. Discrepanties tussen beide toetsen zijn een signaal dat de dataset op de grens van hun beider toepasbaarheid ligt; overweeg dan een derde methode (IQR, ESD).
ISO 17025 vereist geen specifieke outlier-test, maar wel een gedocumenteerde procedure voor de omgang met afwijkende resultaten (artikel 7.10, control of nonconforming work). Wanneer het laboratorium een outlier-test hanteert, moet die zijn opgenomen in de gevalideerde methode of in een SOP, met vaste kritische waarden, vast significantieniveau en vaste beslisregel. Ad-hoc toepassing van outlier-tests zonder procedureel kader is een audit-bevinding.
Ja. Biologische assays kennen intrinsiek hogere variabiliteit door de biologische matrix; USP <1010> en USP <111> erkennen daarom bredere ruimte voor formele outlier-verwijdering na positieve statistische toets. Chemische assays zijn per definitie precisiever; hier vraagt elke afwijzing van een individueel meetresultaat een inhoudelijke laboratoriumoorzaak. Deze conceptuele scheiding is fundamenteel bij het inrichten van OOS-procedures.
De rapportage vermeldt: (1) het gebruikte toetsmodel (Grubbs, Dixon Q, IQR, Cochran, etc.), (2) de originele dataset inclusief de verdachte waarde, (3) de berekende teststatistiek, (4) de gebruikte kritische waarde met bronvermelding en significantieniveau, (5) de conclusie (wel/geen uitschieter), (6) de beslissing over verwijdering met inhoudelijke motivering, en (7) het effect op de eindresultaten (met en zonder verwijdering).
Ja. Grubbs en Dixon Q zijn eenvoudig te programmeren in Excel via de standaardformules voor gemiddelde, standaardafwijking en kwantielen. In Python bieden scipy.stats en de outlier_utils-package directe implementaties van Grubbs en gegeneraliseerde ESD. In R zijn de outliers en EnvStats packages standaard; voor Cochran-toetsing biedt PMCMRplus een directe functie. Voor snelle interactieve toepassing kunt u ook onze statistiek & data-analyse calculator gebruiken, die Grubbs en IQR met kleurgecodeerde dotplot ondersteunt.
Excel heeft geen ingebouwde Grubbs-functie, maar de teststatistiek is eenvoudig te berekenen met standaardfuncties. Stel uw dataset staat in A1:A10 (n = 10):
=GEMIDDELDE(A1:A10)
=STDEV(A1:A10)
=(MAX(A1:A10)-GEMIDDELDE(A1:A10))/STDEV(A1:A10)
=(GEMIDDELDE(A1:A10)-MIN(A1:A10))/STDEV(A1:A10)
Overschrijdt de berekende G de kritische waarde, dan is de betreffende waarde statistisch een uitschieter. Leg de gebruikte tabelversie en het significantieniveau vast in uw labjournal. Voor grotere datasets of geautomatiseerde rapportage is een Python-script met scipy.stats of de outlier_utils-package doorgaans praktischer dan een Excel-implementatie.
Wanneer een statistische toets een uitschieter aanmerkt maar geen inhoudelijke oorzaak wordt gevonden, is de standaardaanpak: de waarde meenemen in de eindberekening en de statistische afwijking rapporteren. De uitschieter is dan onderdeel van de gemeten realiteit; verwijdering zou een niet-onderbouwde interventie zijn. Bij herhaald optreden van onverklaarde uitschieters in vergelijkbare metingen is heroverwegen van de methode of het instrument aan de orde.
In de analytische chemie is een uitschieter een meetwaarde die zo sterk afwijkt van de overige resultaten dat gerede twijfel bestaat over de betrouwbaarheid ervan. Verwijdering is alleen gerechtvaardigd wanneer een inhoudelijke oorzaak is vastgesteld. Het aanbevolen stappenplan:
De meest betrouwbare aanpak wanneer uitschieters aanwezig zijn en geen oorzaak kan worden gevonden, is het gebruik van robuuste statistiek: bereken het mediaan en de mediaan absolute afwijking (MAD) in plaats van gemiddelde en standaardafwijking. Deze maten zijn niet gevoelig voor extreme waarden en geven een betrouwbaar beeld van de centrale tendens en spreiding zonder dat individuele waarden worden verwijderd.
Betrouwbare uitschieterdetectie begint bij betrouwbare meetdata. Bij Labvakhandel vindt u laboratorium balansen, pipetten en liquid handling, pH-meters en elektrochemische meetapparatuur en verdere laboratoriumapparatuur die voldoen aan de eisen voor een geaccrediteerd laboratorium. Neem contact op voor advies over de juiste apparatuur voor uw toepassing.
Uitbijters in een blancoreeks of een kalibratiereeks kunnen de berekende standaardafwijking sterk beïnvloeden en daarmee de detectielimiet (LOD) en kwantificeringslimiet (LOQ) kunstmatig verhogen of verlagen. Gebruik een Grubbs-toets voor de uitbijterdetectie voorafgaand aan de LOD/LOQ-berekening.
Disclaimer: De informatie in dit artikel is bedoeld als algemene technische en regulatoire toelichting. Canidae Seal B.V. / Labvakhandel.nl aanvaardt geen aansprakelijkheid voor de toepassing van deze informatie in specifieke situaties. Raadpleeg voor uw eigen toepassing altijd de geldende wet- en regelgeving, de relevante normen en de uitvoerende autoriteiten of toezichthouders (zoals NEN, RvA, IGJ, EMA, FDA of de bevoegde accreditatie-instantie).
Inloggen
Wachtwoord vergeten
Account aanmaken
Uw winkelwagen is leeg.
