Utvecklingen inom statistisk data­analys har gått hand i hand med modern veten­skap och teknik. Många beräkningar är idag enkla att genomföra med en person­dator, men det är viktigt att komma ihåg de för­ut­sättningar som gäller. En av dessa för­ut­sättningar är att felen är oberoende och normal­fördelade, men hur vanligt är det inte att enstaka avvikare (outliers) stör analysen? Likaså är det mera regel än undantag att processtörningar eller föroreningshalter i miljön inte följer en normalfördelning. Med robusta metoder och återsampling (bootstrapping) så kan även dessa data utvärderas.

Exempel på regressionsanalys med den vanliga minsta-kvadratmetoden (LS) respektive med en robust metod (LMS) som inte påverkas av det avvikande mätresultatet.

• Davies, O. L. och P. L. Goldsmith (1986). Statistical methods in research and production. London, Longman.
• Draper, N. R. och H. Smith (1998). Applied regression analysis. New York, Wiley.
• Efron, B. och R. Tibshirani (1993). An introduction to the bootstrap. New York, Chapman & Hall/CRC.
• Gilbert, R. O. (1987). Statistical methods for environmental pollution monitoring. New York, Van Nostrand Reinhold Co.
• Jackson, J. E. (1991). A user's guide to principal components. New York, Wiley.
• Martens, H. och T. Næs (1989). Multivariate calibration. Chichester, Wiley.
• Rousseeuw, P. J. and A. M. Leroy (1987). Robust regression and outlier detection. New York, Wiley.