『壹』 小樣本研究範式
是向少數幾個或者單個被試呈現處理的試驗方式，斯金納在《有機體的行為》中提出。 根據小樣本研究範式，研究應該包括三個階段： 確定所研究對象的行為基線或反應方式；操縱自變數，觀察和記錄因變數的變化；撤除自變數，繼續監測因變數的情況。
優勢：更嚴密地監測了對象的行為，更系統地測量了自變數的效應，並得以更細致地進行「被試內」比較和分析。
缺陷：外部效度不易達到要求，並容易受被試系統誤差的影響，因此應作更多的驗證性研究。
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。
『叄』 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~
『肆』 跪求統計高手 小樣本23例 實驗干預前後 自身對照 問是否有統計學差異 非正態分布 運用何種方法
你的描述很亂
可以用非參數分析方法
配對設計符合秩和檢驗是不對的，因為你說這是有多個組，所以應該用區組設計的秩和檢驗
n<5和秩和檢驗沒關系
什麼是小樣本實驗設計有哪些類型
：可能就是實驗組和對照組,一般小樣本實驗樣本數每組不要少於5隻,以免抽樣誤差,每組動物之間的個體差異要小,同窩更好.要雙盲分組(不受研究人員主觀意圖的影響)
『陸』 心理學研究要掌握的三項基本研究方法
文／逆水行舟eli
1、三種方法對比
2、觀察法
這是原始的心理學研究方法，分為自然觀察法、參與性觀察法、個案法和調查法。
自然觀察法指研究者對自然情景下的現象進行觀察，獲得被試真實自然的行為。如研究地震等災害對受難者的心理影響。
參與性觀察法指研究者把自己融入觀察對象的群體中進行觀察。這彌補了自然觀察對某些資料有限的搜集能力。
個案法指研究者對單個或少數幾個被試進行長期全面的追蹤研究。如陸里亞對有神奇記憶的人的個案研究。
調查法是藉助問卷、量表工具收集資料，並分析處理得出結論的觀察方法。
3 、相關法
相關法用來觀察測量兩個變數或多個變數間統計上的關聯，確定它們的相關強度和方向。
這個方法為研究者提供能評估和詳細說明兩個或多個變數間關聯程度的相關系數，用r表示，值的變化范圍是－1～1。絕對值大小表示相關聯程度，正負號表示方向，0表示毫不相關，-1表示負相關，1表示正相關。常用的相關系數有，皮爾遜積差相關系數、斯皮爾曼等級相關系數等。
為了研究結果更接近因果關系的解釋，研究者提出了交叉－滯後法。
圖中對角線上的兩個相關系數就是交叉－滯後相關系數，不過這仍不能確定因果關系。
4 、實驗法
實驗法有三項基本要素，分別是實驗假設和推論、實驗變數、實驗控制。
第一項要素是實驗假設和推論。實驗假設要遵循操作定義原則，轉化成可操作的推論。
第二項要素是實驗變數，包括自變數、因變數和額外變數。自變數是主試操作和控制的對被試反應有影響的變數。因變數是隨著自變數變化而變化的被試反應。
這兩項變數都要遵守操作定義原則。
額外變數是實驗中與實驗目的無關，但影響因變數的潛在因素和條件，它會混淆自變數的影響，所以需要排除。
實驗法區別於觀察法和相關法的地方，就是要求研究者能嚴格操縱自變數，盡可能減少額外變數的混淆，從而客觀觀察到因變數對自變數的反應。
第三項要素是實驗控制，泛指一切保障實驗精度的工作，最主要的就是對額外變數的控制。
根據變數的不同，實驗設計可以分為自變數的設計、因變數的設計和額外變數的設計；根據被試角度，實驗設計可以分為被試間設計、被試內設計和混合設計；根據樣本數量，實驗設計可以分為大樣本設計和小樣本設計。
4.1關於變數的實驗設計
4.1.1、多自變數設計
典型的心理學實驗是同時操縱2～4個自變數的多變數設計，優點是效率高、實驗控制好、普遍性高，而且能揭示變數間的交互作用。
如圖所示，在自由回憶測驗中，記憶能力不同的兩組被試成績差異明顯，而在詞彙辨認測驗中成績差異不明顯，如下圖所示。沃林頓和韋斯克蘭茨正是根據發現自變數間的交互作用開拓出了內隱記憶的研究新領域。
4.1.2、多因變數設計
多因變數設計可以獲得單因變數實驗無法提供的信息，不過通常使用兩個因變數就夠了，因為使用太多因變數，在統計分析時要涉及多元方差分析，難度和工作量大。
對因變數的測量用到主觀指標和客觀指標。
主觀指標指被試對自己的心理活動進程敘述的記錄或者是對主試提問的回答。
客觀指標有反應速度、反應速度的差異、反應的正確性、反應標准、反應的難度和神經生理指標6種。
反應速度指標，如測量在一定時間內完成某項任務的數量；
反應速度的差異指標，如在內隱學習的研究中，被試對隨機組字母和對規則組字母的的反應時之差；
反應的正確性指標，如測量走迷宮走入盲巷的次數；
反應的標准指標，如測量似然比𝞫；
反應的難度指標，如斯金納箱設置的三個難度等級；
神經生理指標，如被試的心率。
選擇因變數指標時要考慮因變數的有效性、客觀性和數量化三個方面。
第一，有效性
是說指標能充分代表所研究的現象。其中，要注意避免出現天花板效應和地板效應，如體重計最大刻度如果低於要測量的被試的體重值，就出現了天花板效應。如測試的題目太難，導致水平高的和低的都做不出來，就出現了地板效應；
第二，客觀性
是說指標是客觀存在的，可以測量也可以在一定條件下重復實驗來驗證；
第三，數量化
是說指標是能數量化的。
此外，主試還要指導被試在主試所設想的維度上進行反應，因為不加引導，被試的反應就沒有方向。這時，主試又需要控制和標准化指導語，因為指導語也成為重要的自變數，要保持不變。
4.1.3、額外變數設計
額外變數分為隨機額外變數和系統額外變數。由隨機額外變數引起的誤差是隨機誤差，如偶然的溫度變化，可以運用多元統計技術來排除。由系統額外變數引起的誤差是系統誤差，如主試效應、被試效應，可以運用下面的6種設計方法來控制。
第一，排除法
顧名思義，就是想辦法把額外變數排除出去，如為了消除外界的噪音，通過隔音室來排除。
如果要消除主試效應，可以通過單盲實驗來排除。主試效應指主試在實驗中會有意無意地用動作、表情、語言等方式影響被試，使他們的反應符合自己的期望，或者主試在記錄時無意中以偏向自己的假設來記錄數據兩種情況。單盲實驗要求記錄因變數數據的研究者不知道誰是實驗組，誰是控制組，從而排除上面兩個干擾因素。
如果要同時消除主試效應和被試效應，可以通過雙盲實驗來排除。被試效應指被試會自發地對實驗目的產生一定的假設和猜測，然後以自認為能滿足目的的方式進行反應，或者被試可能會有意反饋研究者需要的數據，再或者可能自我認同這一假設，有意無意的選擇遺忘不合假設的數據，導致出現虛假的數據三種情況。雙盲實驗法要求測量因變數的研究者和被試，雙方都不知道誰是實驗組誰是控制組，從而排除上面幾種因素的干擾。另外，為了防止被試猜到實驗目的，還可以多設置控制組，不讓被試輕易猜到研究者的假設。
第二，恆定法
在實際操作時，研究者其實做不到把所有額外變數都排除，所以還可以讓額外變數在實驗過程中保持恆定不變，這樣也相當於控制了額外變數的影響。比如為了克服性別不同造成的實驗結果的偏差，研究者可以選用一個性別來試驗。
但這種方法的局限是難以將實驗的結果推廣到額外變數的其它水平上去。比如為了控制性別的影響，研究者只選取了男性被試，那麼得到的結論就不能直接推廣到女性被試身上。
第三，匹配法
匹配法是想辦法把被試人為分出具有相同特質的若干組。如「練習對射擊效果的影響」實驗，研究者首先測試每個被試打靶的成績，然後把成績相同的被試分別分配，匹配成射擊水平相當的兩組被試。
這種方法在理論上可取，但在實際操作中很難，原因有四點。
一、匹配往往不完全。研究者不可能對被試的每個特徵都進行匹配；
二、匹配往往費時耗力；
三、匹配的特質間可能存在交互作用，對實驗結果有混淆作用。如匹配被試的年齡分成初中生和大學生兩組，想研究他們對不同材料的識記能力，但實際上，年齡和識記材料間有交互作用，因為年齡小的被試對圖形的再認能力強，年齡大的對文字再認能力強，那麼如果兩組被試對不同材料的識記能力出現差異，到底是材料的問題還是年齡的問題，就說不清了；
四、匹配時可能出現統計回歸假象。統計回歸假象指極端個體的表現有向平均表現回歸的傾向。
第四，隨機化法
隨機化法指把被試隨機分配到各處理組中，去接受不同的自變數處理。邏輯是，如果總體中的所有成員都有同等機會被抽取到任意處理組，那麼可期望形成的各處理組的各種條件和機會也是相等的。
隨機化法的具體操作方法有同時分配法和次第分配法兩種。
同時分配法使用的條件是，被試在同時等候，主試可以隨意調派其中任何一個被試。這種操作有抽簽法、筆畫法、報數法三種技術，其中筆畫法指先按照姓氏筆畫數排序，然後用隨機數表來分配被試。
次第分配法的使用條件是被試來的時間不一致。這種操作有簡便法和區內隨機法兩種技術。
從理論上講，隨機化法隨機取樣的被試通常要達到三十人以上，是控制額外變數的最佳方法。但它的局限性是，主試不能精確地控制不同組間的被試差異，也就是說不知道哪些變數得到了控制。
第五，抵消平衡法
抵消平衡法用到ABBA法和拉丁方設計法，通過系統改變實驗處理呈現順序，從而抵消或平衡順序效應，空間效應、習慣誤差、疲勞效應和練習效應等額外變數帶來的誤差。這個方法是心理實驗最常用的方法之一。它的邏輯是如果把被試安排在所有順序下接受實驗處理，那麼結果的差異就可以歸於自變數而不是順序。
ABBA法的操作，是把自變數水平分為A和B，然後讓所有被試都按照ABBA這樣的順序接受四次實驗處理。這種方法在理論上可以有效平衡呈線性系統變化的位置和延續誤差。
拉丁方設計法主要用於自變數水平超過兩個的情況。拉丁方是一個兩維矩陣，列表示實驗處理，行表示被試，其中拉丁方第一行的建立公式是1、2、n、3、n－1、n－2……，依次類推。如下圖。
第六，統計控製法
前面的五種方法都是在實驗中控制，這個方法是實驗後用一些統計技術去控制。這是由於條件限制，研究者明知一些額外變數存在，但在實驗中也做不到控制，只好在實驗後通過一些統計技術盡量把這些額外變數的影響排除出去。主要的技術有協方差分析、偏相關等。
4.2關於被試的實驗設計
4.2.1、被試間設計
被試間設計要求每位被試只接受一種實驗處理。
這種設計的最大問題是，由於不同的被試接受不同的實驗處理，所以在解釋因變數的變化時，不能簡單地認為因變數的變化差異都是自變數的差異造成的，這種差異也可能是被試間的差異造成的，這是很難分辨的。
彌補這個缺陷的辦法是盡量減少兩個或多個組別的被試差異，可以採用匹配法和隨機化法兩種技術，這兩種方法在前面已經有詳細介紹。
被試間設計的優點是，因為每個人只接受一種實驗處理，所以可以避免練習效應和疲勞效應。但局限有兩點，除了沒有辦法從根本上排除個體差異這個額外變數對實驗結果的混淆作用外，還有一點是用到的被試數量太大。
4.2.2、被試內設計
被試內設計要求每個被試接受自變數所有水平的處理，測量相同被試在不同處理下的行為變化。這種設計與被試間設計相比，因為看的是被試前後的變化，所以不存在個體差異這個額外變數，但它另外存在位置效應、延續效應、差異延續效應等額外變數的混淆。
位置效應，是指因為實驗處理的序列位置影響被試反應。
延續效應，是指前一階段的實驗處理會對後一階段的處理產生影響。如被試要接受兩種實驗處理，先接受A處理，然後他在接受B處理的時候，可能因為接受過A處理，導致他的行為水平提高了或者對實驗處理感到厭倦了，就是說被試受到練習效應和疲勞效應的影響。
差異延續效應，也指前一階段的處理影響後一階段的處理的效果，但跟延續效應不同的是，這種影響取決於先出現的是什麼處理。
對於這些混淆效應，研究者使用平衡設計法來排除和控制。常用的是ABBA法和拉丁方設計，這兩種方法在前面也已經詳細介紹。
被試內設計和被試間設計相比，還有一個優點是，節省了被試人數。
4.2.3、混合設計
混合設計要求一個自變數用被試內設計，另一個自變數用被試間設計。這種設計實際上是在進行兩個實驗，綜合了被試內設計和被試間設計各自的優點。
4.3小樣本設計
4.3.1、大樣本設計和小樣本設計的對比
典型的實驗通常都是大樣本設計，因為樣本多，可以減少被試間的個體差異對因變數的影響。
但是在一些特殊的情況下要用到小樣本設計，比如，要確定某種療法的效果，但是只有一兩名患者的情況。還比如心理物理學實驗，它受個體差異的影響非常小，但是做起來費時費力，所以也可以採用小樣本設計。
小樣本設計有自己的優勢，第一，它有助於開展探索性的研究；第二，它在臨床心理學和教育咨詢領域，對驗證矯正程序的有效性和檢驗理論假設特別有效。
4.3.2、兩種有代表性的小樣本設計
ABA設計
A表示治療前的基準狀態，B代表治療後的狀態。這種設計可以用來驗證矯正程序的有效性。
ABA的意思是，先在A階段測試被試的行為，然後對被試進行治療，讓被試處於B狀態，測量看行為是否發生變化，最後再讓被試恢復到A階段。
如果研究者只採用AB設計，當我們測量到B階段的變化時，我們不能把B階段的變化直接歸因於療法的作用，因為可能還有其它的因素的影響。所以ABA設計的關鍵就在最後的A，如果能讓被試恢復到A階段就可以區分出療法的效果，但前提是B階段的治療效果不能是持久性的，不然就回不到A的基準狀態了。
多基線設計
指實驗時引入同一自變數，但引入時間不同，這樣，不同的行為或被試在引入自變數之前就會有長短不等的基線期。邏輯是當一種行為在接受處理時，另一種行為仍保持在基線條件下，如果處於基線水平的行為在接受自變數之前保持穩定，在自變數引入之後改變，我們就可以認定自變數是該行為發生變化的原因。
多基線設計還可以分為被試內多基線設計和被試間多基線設計。被試內的多基線設計是比較同一被試在不同的基線階段的行為的不同，被試間的多基線設計是比較不同被試的同一行為在不同基線階段的不同。
5、要求
1、辨別三種研究方法的優勢和劣勢。
2、實驗法的三項基本要素是什麼？
3、控制額外變數的方法有哪些？
4、不同實驗設計各自的內涵、優勢、局限是什麼？
文／逆水行舟eli
『柒』 統計方法求助：小樣本（n=3）用什麼方法
樣本容量太少，沒有多大統計意義。用非參數檢驗方法分析吧。
『捌』 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
『玖』 對於隨機小樣本數據而言（15個以下數據），變化尺度也比較大的數據，哪種預測方法比較靠譜。
主要方法有灰度預測（包括GM 等），還有AR,ARMA。我做模擬的時候，這幾種方法都對比分析過，結果好像是AR較好，我建議你自己都試一下。因為數據類型不同，他的變換趨勢也不同，不能一概而論。另外，做預處理是必要的。
『拾』 小樣本回歸演算法，哪種效果比較好
區別在於總體回歸模型比樣本回歸模型更能精確地反映事物的本質特徵,樣本回歸的誤差大。
總體回歸模型和樣本回歸模型都是對隨機社會現象的描述，但是總體回歸模型是基於研究對象總體數據而進行的回歸描述，他對經濟現象的解釋和說明比較准確，當研究總體太大時，就選取總體部分當做樣本來回歸分析現象，是對總體回歸模型的估計，准確度較低，但是比較常用。
回歸分析(regression analysis)是研究一個變數（被解釋變數）關於另一個（些）變數（解釋變數）的具體依賴關系的計算方法和理論。 從一組樣本數據出發，確定變數之間的數學關系式對這些關系式的可信程度進行各種統計檢驗，並從影響某一特定變數的諸多變數中找出哪些變數的影響顯著，哪些不顯著。利用所求的關系式，根據一個或幾個變數的取值來預測或控制另一個特定變數的取值，並給出這種預測或控制的精確程度。