پیشرفت در حوزه تکنولوژی، مخصوصاً ابزارهای الکترونیکی باعث تولید انبوهی از داده ها شده که روزانه به شیوه تصاعدی در حال افزایش است. این افزایش در تعداد داده ها شامل افزایش در ابعاد آن ها نیز می شود. بدین معنی که ما نه تنها با تعداد مشاهدات آماری بیشتری روبرو هستیم بلکه از این مشاهدات، تعداد متغیرهای متنوع تری اندازه گیری می شود. متناسب با این ازدیاد تعداد و بعد داده ها، تشخیص داده های پرت نیز پیچیده تر و سخت تر می شود. واضح است که داده های پرت، خیلی از روش های کلاسیک آماری را سردرگم می کند و چه بسا بدون اینکه ما متوجه شویم نتایج تحلیل ما را بی اعتبار و ناکارآمد کند. روش های کلاسیک رگرسیون برای یافتن روش های استوار بازبینی شده است. همچنین قبلاً روش هایی برای کاهش ابعاد داده ها پیشنهاد شده است. در این مرور، ترکیب این دو خانواده از روش ها برای آنالیز داده های با ابعاد بالا در حضور داده های پرت مورد بررسی قرار می گیرد.
