考虑修剪后的意思是什么：在典型情况下，您首先按升序对数据进行排序。然后你从底部数到修剪百分比并丢弃这些值。例如，10% 的修剪平均值很常见；在这种情况下，您从最低值开始计数，直到您传递了集合中所有数据的 10%。低于该标记的值被搁置。同样，您从最高值开始倒计时，直到超过您的修剪百分比，然后将所有大于该值的值放在一边。你现在只剩下中间的 80%。您取其平均值，这就是您的 10% 修剪平均值。（请注意，您可以修剪两条尾巴的不等比例，或只修剪一条尾巴，但这些方法不太常见，似乎不适用于您的情况。）

现在想想如果你计算一个 50% 的修剪平均值会发生什么。下半部分将被搁置，上半部分也是如此。您将只剩下中间的单个值（通常）。您将取其平均值（也就是说，您只需取该值）作为修剪后的平均值。但是请注意，该值是中位数。换句话说，中位数是修剪后的平均值（它是 50% 修剪后的平均值）。这只是一个非常具有侵略性的。从本质上讲，它假定 99% 的数据受到污染。这为您提供了针对异常值的终极保护，但代价是功率/效率的最终损失。

我的猜测是中位数 / 50% 修剪后的平均值比您的数据所需的更具侵略性，并且太浪费您可用的信息。如果您对存在的异常值的比例有任何了解，我会使用该信息来设置修剪百分比并使用适当的修剪平均值。如果您没有任何基础来选择修剪百分比，您可以通过交叉验证选择一个，或者使用只有截距的稳健回归分析。

首先，删除无效数据。

其次，您不需要删除异常值，因为它们是观察值。在某些情况下，它很有用（例如在线性回归中），但在您的情况下，我看不出重点。

最后，更喜欢使用中位数，因为它可以更精确地找到数据的中心。正如您所说，均值可能对异常值敏感（使用修剪后的均值可能会产生偏差）。