小樣本自相關檢驗選擇什麼方法

1. 統計學 這個小樣本如何檢驗

一個統計了9個患者，其中7個發生在上肺，2個發生在下肺，我能說塵肺易發生在上肺嗎？
可以，這是一個n重伯努力試驗，直接用假設檢驗就可以了。
原假設：發生在下肺概率大於或等於發生在上肺的概率
備擇假設：發生在上肺的概率大於發生在下肺的概率
p(11個中小於或等於2個發生在下肺)＝0.0327＝3.27%
通常顯著性水平選為0.05，0.0327<0.05，故拒絕原假設。
雖然說由此接受「發生在上肺的概率大於發生在下肺的概率」理論上並不嚴密，但實踐中通常即可以這么說了。
最後還是要說句，樣本量有點小，得出的結論並不一定符合事實，要想得到更好的結論還是要依據總體大小擴大樣本量。

2. 小樣本心理學前後測檢驗用什麼方法

SPSS的1樣本k-s方法檢驗的計算不正確，應使用Explore過程進行正態性檢驗。

3. .1.自相關的檢驗方法有哪些各種的檢驗思想與判斷規則是如何的

相關性檢驗方法共同思路是：採用普通最小二乘法估計模型，以求的隨機干擾項的「近似估計量」，然後通過這些「近似估計量」之間的相關性以表達判斷隨機干擾項是否具有序列相關的目的，主要相關性檢驗有四種：圖示法、回歸檢驗法、杜賓-瓦森檢驗法（D.W.）、拉格朗日檢驗（GB）。最好的檢驗方法應該是GB檢驗，適用於高階序列相關及模型中存在滯後變數的情形。D.W.檢驗中，存在一個不能確定的D.W.值區域，且僅能檢測一階自相關，對存在置後被解釋變數的模型無法檢驗。後兩個問題，因不懂什麼是自相關形式、自相關類型，故暫時無法回答！

4. 自相關性如何解決

基本方法是通過差分變換,對原始數據進行變換的方法,使自相關消除.
一,差分法，一階。
設Y對x的回歸模型為

Yt=β1+β1xt+μt(1)

μt=ρμt-1+vt

式中, vt滿足最小平方法關於誤差項的全部假設條件。

將式(1)滯後一個時期,則有

Yt-1=β0+β1xt-1+μt-1(2)μt-1=ρμt-2+vt-1

於是, (1)-ρ×(2),得Yt-ρYt-1=β0(1-ρ)+β1(xt-ρxt-1)+νt(3)

Yt-ρYt-1=β1(xt-xt-1)+μt-μt-1=β1(xt-xt-1)+vt(4)
ρ為自相關系數
也就是說,一階差分法是廣義差分法的特殊形式。

高階自相關是用BG檢驗法，LM=T*R^2服從X^2(p)（kafang）分布，T為樣本容量，p為你想檢驗的自相關階數，查kafang分布表，置信度為95%也就是阿爾法=0.5，如果T*R^2>查出來的結果即存在你想驗證的自相關階數。
修正用廣義差分法（AR(p))
廣義差分方法
對模型: Yt= 0+ 1X t+ut ------(1) ,如果ut具有一階自回歸形式的自相關,既 ut= u t-1 +vt 式中 vt滿足通常假定.
假定, 已知,則: Y t-1= 0+ 1X t-1+u t-1 兩端同乘 得:
Y t-1= 0 + 1 X t-1+ u t-1-------(2)

(1)式減去(2)式得:
Yt- Y t-1= 0 (1- )+ 1X (Xt- X t-1)+vt
令:Yt*= Yt- Y t-1 ,Xt*= (Xt- X t-1), 0 *= 0(1- )
則: Yt*= 0 * + 1 Xt*+vt 稱為廣義差分模型,隨機項滿足通常假定,對上式可以用OLS估計,求出 .
為了不損失樣本點,令Y1*= X1*=
以上解決自相關的變換稱為廣義差分變換, =1,或 =0 , =-1是特殊情況.
廣義差分變換要求 已知,如果 未知,則需要對 加以估計,下面的方法都是按照先求出 的估計值,然後在進行差分變換的思路展開的。
如果差分修正還是效果不好，那就是你回歸變數的問題了，有一些統計數據本身就是有很強的自相關，比如GDP等，這是無法避免的，有些數據要先 去勢，協整以後才可以做回歸的

5. 小樣本自身前後對比的統計方法選擇

6.或是樣本真的很稀少, 那就該考慮不要分輕/中/重了, 都視為殘疾, 只要實驗過程中能隨基分派即可(是指2組里輕/中/重的人數比例相似, 確保2組程度一致即可), 然後專注於研究那種干預法較佳~

6. 如何操作自變數之間的相關性檢驗

自變數相關系數過高（大於0.9或者0.8）的話的確應該引起注意,很可能存在多重共線性,你可以利用回歸分析裡面提供的共線性診斷來印證一下.
對於多重共線性,很多人會採取中心化的方式,說那樣可以減輕多重共線性,就是把每列自變數減去各自的均值,這個方法最常見不過實際操作中感覺沒很大用,你可以自己試試.類似的,還有一些數據變換方法如對數變換之類的,也有人用.
再一個就是可以增大樣本量,因為有的研究者指出樣本量小是造成多重共線性的原因之一
還有就是可以試試刪除一些極端值、異常值再看看,這個方法就不是那麼對症下葯,但也是對數據進行了整理,可以試試.

7. 請問小樣本、重復測量的試驗數據用什麼分析方法最好用重復測量方差分析顯示殘差自由度不足，該如何解決

可以調整數據，將重復測量數據合並到一列中，另起一列變數分別標記重復次數，比如有3次重復，就編碼為1,2,3，將其作為一個影響因素 進行分析

8. 24個觀測值的小樣本,在spss中使用非參數檢驗/1樣本k-s方法檢驗么為什麼我的檢驗結果是符合正態分布,

SPSS的1樣本k-s方法檢驗的計算不正確，應使用 Explore 過程進行正態性檢驗。
Analyze
Descriptive Statistics
Explore...

9. 如何使用dw統計量來進行自相關檢驗該檢驗方法的前提條件和局限性有哪些

給定顯著水平a，依據樣本容量n和解釋變數個數k'，查D.W.表得d統計量的上界和下界dL。

當0<d<dL時，表明存在一階正自相關，而且正自相關的程度隨d向0的靠近而增強。當dL<d<時，表明為不能確定存在自相關。當<d<4-時，表明不存在一階自相關。當4-<d<4-dL時，表明不能確定存在自相關。當4-dL<d<4時，表明存在一階負自相關，而且負自相關的程度隨d向4的靠近而增強。

DW檢驗前提條件：

（1）回歸模型中含有截距項。

（2）解釋變數是非隨機的。

（3）隨機擾動項是一階線性自相關。

（4）沒有缺失數據，樣本比較大。

DW檢驗局限性：

（1）DW檢驗有兩個不能確定的區域，一旦DW值落在這兩個區域，就無法判斷。

（2）DW檢驗不適應隨機誤差項具有高階序列相關的檢驗。

（3）只適用於有常數項的回歸模型並且解釋變數中不能含滯後的被解釋變數。

(9)小樣本自相關檢驗選擇什麼方法擴展閱讀

自相關性產生的原因

線性回歸模型中隨機誤差項存在序列相關的原因很多，但主要是經濟變數自身特點、數據特點、變數選擇及模型函數形式選擇引起的。

1、經濟變數慣性的作用引起隨機誤差項自相關；

2、經濟行為的滯後性引起隨機誤差項自相關；

3、一些隨機因素的干擾或影響引起隨機誤差項自相關；

4、模型設定誤差引起隨機誤差項自相關；

5、觀測數據處理引起隨機誤差項序列相關。

10. 31個小樣本，統計學分析方法怎麼選

如果只是大概的分析，無不可。但主要問題是樣本分組相對於樣本數太多，結果准確性不好評價。另外樣本要考慮控制變數。如果數據詳細，考慮用計量模型好些吧。表格中能得到是否有顯著影響以及哪一類對立特徵影響大，但是是正向影響還是負向影響，不能判斷。