小样本自相关检验选择什么方法

1. 统计学 这个小样本如何检验

一个统计了9个患者，其中7个发生在上肺，2个发生在下肺，我能说尘肺易发生在上肺吗？
可以，这是一个n重伯努力试验，直接用假设检验就可以了。
原假设：发生在下肺概率大于或等于发生在上肺的概率
备择假设：发生在上肺的概率大于发生在下肺的概率
p(11个中小于或等于2个发生在下肺)＝0.0327＝3.27%
通常显着性水平选为0.05，0.0327<0.05，故拒绝原假设。
虽然说由此接受“发生在上肺的概率大于发生在下肺的概率”理论上并不严密，但实践中通常即可以这么说了。
最后还是要说句，样本量有点小，得出的结论并不一定符合事实，要想得到更好的结论还是要依据总体大小扩大样本量。

2. 小样本心理学前后测检验用什么方法

SPSS的1样本k-s方法检验的计算不正确，应使用Explore过程进行正态性检验。

3. .1.自相关的检验方法有哪些各种的检验思想与判断规则是如何的

相关性检验方法共同思路是：采用普通最小二乘法估计模型，以求的随机干扰项的“近似估计量”，然后通过这些“近似估计量”之间的相关性以表达判断随机干扰项是否具有序列相关的目的，主要相关性检验有四种：图示法、回归检验法、杜宾-瓦森检验法（D.W.）、拉格朗日检验（GB）。最好的检验方法应该是GB检验，适用于高阶序列相关及模型中存在滞后变量的情形。D.W.检验中，存在一个不能确定的D.W.值区域，且仅能检测一阶自相关，对存在置后被解释变量的模型无法检验。后两个问题，因不懂什么是自相关形式、自相关类型，故暂时无法回答！

4. 自相关性如何解决

基本方法是通过差分变换,对原始数据进行变换的方法,使自相关消除.
一,差分法，一阶。
设Y对x的回归模型为

Yt=β1+β1xt+μt(1)

μt=ρμt-1+vt

式中, vt满足最小平方法关于误差项的全部假设条件。

将式(1)滞后一个时期,则有

Yt-1=β0+β1xt-1+μt-1(2)μt-1=ρμt-2+vt-1

于是, (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为自相关系数
也就是说,一阶差分法是广义差分法的特殊形式。

高阶自相关是用BG检验法，LM=T*R^2服从X^2(p)（kafang）分布，T为样本容量，p为你想检验的自相关阶数，查kafang分布表，置信度为95%也就是阿尔法=0.5，如果T*R^2>查出来的结果即存在你想验证的自相关阶数。
修正用广义差分法（AR(p))
广义差分方法
对模型: Yt= 0+ 1X t+ut ------(1) ,如果ut具有一阶自回归形式的自相关,既 ut= u t-1 +vt 式中 vt满足通常假定.
假定, 已知,则: Y t-1= 0+ 1X t-1+u t-1 两端同乘 得:
Y t-1= 0 + 1 X t-1+ u t-1-------(2)

(1)式减去(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- )
则: Yt*= 0 * + 1 Xt*+vt 称为广义差分模型,随机项满足通常假定,对上式可以用OLS估计,求出 .
为了不损失样本点,令Y1*= X1*=
以上解决自相关的变换称为广义差分变换, =1,或 =0 , =-1是特殊情况.
广义差分变换要求 已知,如果 未知,则需要对 加以估计,下面的方法都是按照先求出 的估计值,然后在进行差分变换的思路展开的。
如果差分修正还是效果不好，那就是你回归变量的问题了，有一些统计数据本身就是有很强的自相关，比如GDP等，这是无法避免的，有些数据要先 去势，协整以后才可以做回归的

5. 小样本自身前后对比的统计方法选择

6.或是样本真的很稀少, 那就该考虑不要分轻/中/重了, 都视为残疾, 只要实验过程中能随基分派即可(是指2组里轻/中/重的人数比例相似, 确保2组程度一致即可), 然后专注于研究那种干预法较佳~

6. 如何操作自变量之间的相关性检验

自变量相关系数过高（大于0.9或者0.8）的话的确应该引起注意,很可能存在多重共线性,你可以利用回归分析里面提供的共线性诊断来印证一下.
对于多重共线性,很多人会采取中心化的方式,说那样可以减轻多重共线性,就是把每列自变量减去各自的均值,这个方法最常见不过实际操作中感觉没很大用,你可以自己试试.类似的,还有一些数据变换方法如对数变换之类的,也有人用.
再一个就是可以增大样本量,因为有的研究者指出样本量小是造成多重共线性的原因之一
还有就是可以试试删除一些极端值、异常值再看看,这个方法就不是那么对症下药,但也是对数据进行了整理,可以试试.

7. 请问小样本、重复测量的试验数据用什么分析方法最好用重复测量方差分析显示残差自由度不足，该如何解决

可以调整数据，将重复测量数据合并到一列中，另起一列变量分别标记重复次数，比如有3次重复，就编码为1,2,3，将其作为一个影响因素 进行分析

8. 24个观测值的小样本,在spss中使用非参数检验/1样本k-s方法检验么为什么我的检验结果是符合正态分布,

SPSS的1样本k-s方法检验的计算不正确，应使用 Explore 过程进行正态性检验。
Analyze
Descriptive Statistics
Explore...

9. 如何使用dw统计量来进行自相关检验该检验方法的前提条件和局限性有哪些

给定显着水平a，依据样本容量n和解释变量个数k'，查D.W.表得d统计量的上界和下界dL。

当0<d<dL时，表明存在一阶正自相关，而且正自相关的程度随d向0的靠近而增强。当dL<d<时，表明为不能确定存在自相关。当<d<4-时，表明不存在一阶自相关。当4-<d<4-dL时，表明不能确定存在自相关。当4-dL<d<4时，表明存在一阶负自相关，而且负自相关的程度随d向4的靠近而增强。

DW检验前提条件：

（1）回归模型中含有截距项。

（2）解释变量是非随机的。

（3）随机扰动项是一阶线性自相关。

（4）没有缺失数据，样本比较大。

DW检验局限性：

（1）DW检验有两个不能确定的区域，一旦DW值落在这两个区域，就无法判断。

（2）DW检验不适应随机误差项具有高阶序列相关的检验。

（3）只适用于有常数项的回归模型并且解释变量中不能含滞后的被解释变量。

(9)小样本自相关检验选择什么方法扩展阅读

自相关性产生的原因

线性回归模型中随机误差项存在序列相关的原因很多，但主要是经济变量自身特点、数据特点、变量选择及模型函数形式选择引起的。

1、经济变量惯性的作用引起随机误差项自相关；

2、经济行为的滞后性引起随机误差项自相关；

3、一些随机因素的干扰或影响引起随机误差项自相关；

4、模型设定误差引起随机误差项自相关；

5、观测数据处理引起随机误差项序列相关。

10. 31个小样本，统计学分析方法怎么选

如果只是大概的分析，无不可。但主要问题是样本分组相对于样本数太多，结果准确性不好评价。另外样本要考虑控制变量。如果数据详细，考虑用计量模型好些吧。表格中能得到是否有显着影响以及哪一类对立特征影响大，但是是正向影响还是负向影响，不能判断。