与大多数关于异常值的问题一样，我认为没有一个简单的答案。这将取决于你的情况。

例如，如果您正在对种族和收入之间的关系进行建模，并且迈克尔乔丹偶然回答了您的调查，那么更多数据会有所帮助，因为它可以澄清情况，但是，因为很少有人能够“像迈克一样“您将需要数百万个案例才能完全消除将他纳入您的样本的影响。（并且 N = 1000 将比 N = 100 更清楚地表明收入不是远程正态分布的）。

另一方面，如果你的变量之一是身高，那么更多的人会解决问题，因为虽然乔丹很高，但他并没有高得离谱，以至于他不应该出现在数据集中。

有时您认为正常的变量不是正常的，至少在您正在处理的人群中不是。我在成年人的体重中发现了这一点：在许多人群中都是正​​确的。一个大样本显示了这一点。小的没有。

它还取决于您用于分类的方法以及异常值是否类似于最接近的内点。例如，如果您使用树将人分为“职业篮球运动员”和“其他人”，那么 MJ 在身高上是一个异常值就没有问题了。他也不是收入的异常值。但是，如果您碰巧遇到一个非常高的人，但他不是篮球运动员，那么这会使树变得怪异，并且更多数据可能无济于事（或者可能-我认为这取决于算法）。

对于聚类分析，离群值（和更多数据）的影响对于单一链接和完全链接可能不同。

等等。

如果您的异常值是由于分布中的自然异常值而发生的，那么是的，您的估计会随着更多数据而变得更加稳定。假设您正在使用逻辑回归，在理论上的情况下，结果取决于带有一些正态分布噪声的观察变量。异常值会出现在噪声中，并且您会意外地在噪声中遇到一个值，该值是正态分布之外的三个标准差。那么这将对模型中估计的截距和系数产生影响，如果您没有太多数据，这将更加强大。随着更多的数据，这些事故的影响将平均化。

但这是一个非常理论化的案例。如果你的异常值来自更奇怪的东西，或者你没有包含在模型中但实际上是结构的东西，或者它们可能是任意大的，那么更多的数据可能无法保存你的模型。

异常值是那些偏离大多数数据模式的样本。通常，异常值的数量远远少于正常样本。因此，对于每个新样本，它更有可能是正常样本而不是异常值。因此我认为，收集更多数据可以帮助对抗异常值。