‘壹’ hplc三种定量分析方法结果不一致的原因
1、样品的前处理：样品的处理包括称量、溶解到标记稀释等步骤。样品处理要尽量减少操作者的技术问题带来的误差，样品的稀释次数、稀释工具有误差都是结果不一致的原因。
2、手动进样误差的来源：作为进样主力，仍是手动进样器，如果使用方法不当，会引起色谱图问题，标准曲线无线性，重复性差。以上两项就是hplc的三种定量分析方法，结果会不一致的原因。
‘贰’ 异方差性两种检验方法检验结果不一样怎么办
异方差性两种检验方法：LM检验和White检验都是看p值，如果p值小于你设定的显着性水平，也就是α，那么就表明自相关，ARCH异方差检验也是同理，如果对模型修正后，p>α了，那么就说明不存在异方差，自相关这些了，也就是你所说的通过了。正态性检验你看下点完弹出来的直方图，符合正态的形态就可以通过了。协整的话，用EG两步法检验的话也可以，但比较麻烦，DF和ADF更好用些，直接看那3个值就行了。
拓展资料：
异方差性（heteroscedasticity）是相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。对存在异方差性的模型可以采用加权最小二乘法进行估计。
测量误差对异方差性的作用主要表现在两个方面：一方面，测量误差常常在一定时间内逐渐积累，误差趋于增加，如解释变量X越大，测量误差就会趋于增大；另一方面，测量误差可能随时间变化而变化，如抽样技术或收集资料方法的改进就会使测量误差减少。所以测量误差引起的异方差性一般都存在于时间序列中。
不仅在时间序列上容易出现异方差性，利用平均数作为样本数据也容易出现异方差性。因为许多经济变量之间的关系都服从正态分布，例如不同收入组的人数随收入的增加是正态分布，即收入较高和较低的人是少数的，大部分人的收入居于较高和较低之间，在以不同收入组的人均数据作为样本时，由于每组中的人数不同，观测误差也不同，一般来说，人数多的收入组的人均数据较人数少的收入组的人均数据具有较高的准确性，即Var(ui）随收入Ii呈现先降后升的趋势，这也存在着异方差性。