『壹』 hplc三種定量分析方法結果不一致的原因
1、樣品的前處理：樣品的處理包括稱量、溶解到標記稀釋等步驟。樣品處理要盡量減少操作者的技術問題帶來的誤差，樣品的稀釋次數、稀釋工具有誤差都是結果不一致的原因。
2、手動進樣誤差的來源：作為進樣主力，仍是手動進樣器，如果使用方法不當，會引起色譜圖問題，標准曲線無線性，重復性差。以上兩項就是hplc的三種定量分析方法，結果會不一致的原因。
『貳』 異方差性兩種檢驗方法檢驗結果不一樣怎麼辦
異方差性兩種檢驗方法：LM檢驗和White檢驗都是看p值，如果p值小於你設定的顯著性水平，也就是α，那麼就表明自相關，ARCH異方差檢驗也是同理，如果對模型修正後，p>α了，那麼就說明不存在異方差，自相關這些了，也就是你所說的通過了。正態性檢驗你看下點完彈出來的直方圖，符合正態的形態就可以通過了。協整的話，用EG兩步法檢驗的話也可以，但比較麻煩，DF和ADF更好用些，直接看那3個值就行了。
拓展資料：
異方差性（heteroscedasticity）是相對於同方差而言的。所謂同方差，是為了保證回歸參數估計量具有良好的統計性質，經典線性回歸模型的一個重要假定：總體回歸函數中的隨機誤差項滿足同方差性，即它們都有相同的方差。如果這一假定不滿足，即：隨機誤差項具有不同的方差，則稱線性回歸模型存在異方差性。對存在異方差性的模型可以採用加權最小二乘法進行估計。
測量誤差對異方差性的作用主要表現在兩個方面：一方面，測量誤差常常在一定時間內逐漸積累，誤差趨於增加，如解釋變數X越大，測量誤差就會趨於增大；另一方面，測量誤差可能隨時間變化而變化，如抽樣技術或收集資料方法的改進就會使測量誤差減少。所以測量誤差引起的異方差性一般都存在於時間序列中。
不僅在時間序列上容易出現異方差性，利用平均數作為樣本數據也容易出現異方差性。因為許多經濟變數之間的關系都服從正態分布，例如不同收入組的人數隨收入的增加是正態分布，即收入較高和較低的人是少數的，大部分人的收入居於較高和較低之間，在以不同收入組的人均數據作為樣本時，由於每組中的人數不同，觀測誤差也不同，一般來說，人數多的收入組的人均數據較人數少的收入組的人均數據具有較高的准確性，即Var(ui）隨收入Ii呈現先降後升的趨勢，這也存在著異方差性。