Ⅰ 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~
Ⅱ 统计预测中 小样本用什么方法预测
我觉得因为统计当中很多的分布等都是渐近的结论，需要用到比如中心极限等定理。需要大样本的支持吧。 所以要尽量避免小样本。但是基于小样本的统计也是有的。
Ⅲ 小样本研究范式
是向少数几个或者单个被试呈现处理的试验方式，斯金纳在《有机体的行为》中提出。 根据小样本研究范式，研究应该包括三个阶段： 确定所研究对象的行为基线或反应方式；操纵自变量，观察和记录因变量的变化；撤除自变量，继续监测因变量的情况。
优势：更严密地监测了对象的行为，更系统地测量了自变量的效应，并得以更细致地进行“被试内”比较和分析。
缺陷：外部效度不易达到要求，并容易受被试系统误差的影响，因此应作更多的验证性研究。
Ⅳ 什么是小样本实验设计有哪些类型
什么是小样本实验设计有哪些类型
：可能就是实验组和对照组,一般小样本实验样本数每组不要少于5只,以免抽样误差,每组动物之间的个体差异要小,同窝更好.要双盲分组(不受研究人员主观意图的影响)
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。
Ⅵ 适用于那些特征稀少、小规模特殊总体的非概率抽样方法
常用的非概率抽样方法有以下四类：
1、方便抽样（Convenience sampling）
指根据调查者的方便选取的样本，以无目标、随意的方式进行。例如：街头拦截访问（看到谁就访问谁）；个别入户项目谁开门就访问谁。
优点：适用于总体中每个个体都是“同质”的，最方便、最省钱；可以在探索性研究中使用，另外还可用于小组座谈会、预测问卷等方面的样本选取工作。
缺点：抽样偏差较大，不适用于要做总体推断的任何民意项目，对描述性或因果性研究最好不要采用方便抽样。
2、判断抽样（Judgment sampling）
指由专家判断而有目的地抽取他认为“有代表性的样本”。例如：社会学家研究某国家的一般家庭情况时，常以专家判断方法挑选“中型城镇”进行。
也有家庭研究专家选取某类家庭进行研究，如选三口之家（子女正在上学的）；在探索性研究中，如抽取深度访问的样本时，可以使用这种方法。
优点：适用于总体的构成单位极不相同而样本数很小，同时设计调查者对总体的有关特征具有相当的了解（明白研究的具体指向）的情况下，适合特殊类型的研究（如产品口味测试等）；操作成本低，方便快捷，在商业性调研中较多用。
缺点：该类抽样结果受研究人员的倾向性影响大，一旦主观判断偏差，则根易引起抽样偏差；不能直接对研究总体进行推断。
3、配额抽样（Quota sampling）
指先将总体元素按某些控制的指标或特性分类，然后按方便抽样或判断抽样选取样本元素。
相当于包括两个阶段的加限制的判断抽样。在第一阶段需要确定总体中的特性分布（控制特征），通常，样本中具备这些控制特征的元素的比例与总体中有这些特征的元素的比例是相同的，通过第一步的配额，保证了在这些特征上样本的组成与总体的组成是一致的。
在第二阶段，按照配额来控制样本的抽取工作，要求所选出的元素要适合所控制的特性。例如：定点街访中的配额抽样。
优点：适用于设计调查者对总体的有关特征具有一定的了解而样本数较多的情况下，实际上，配额抽样属于先“分层”（事先确定每层的样本量）再“判断”（在每层中以判断抽样的方法选取抽样个体）；费用不高，易于实施，能满足总体比例的要求。
缺点：容易掩盖不可忽略的偏差。
4、滚雪球抽样（Snowball sampling）
指先随机选择一些被访者并对其实施访问，再请他们提供另外一些属于所研究目标总体的调查对象，根据所形成的线索选择此后的调查对象。
第一批被访者是采用概率抽样得来的，之后的被访者都属于非概率抽样，此类被访者彼此之间较为相似。例如：如在目前中国的小轿车车主等。
优点：可以根据某些样本特征对样本进行控制，适用寻找一些在总体中十分稀少的人物。
缺点：有选择偏差，不能保证代表性。
(6)适合小样本的研究方法扩展阅读
抽样是有一定规则的，抽样的基本要求是：
1、总体范围的确定
抽样首先要明确规定抽样的总体范围，一般来说，研究课题和研究目的决定了总体的范围。如，“上海市区初中学生身体素质的调查”这个课题的总体就是上海市区全体初一至初三的中学生，不包括郊县的初中生。如果总体范围不很清楚，在抽样前应对总体做出明确的规定。
否则，会对抽取样本和研究结果的推断造成麻烦。通常研究课题的确立就已基本框定了总体范围，研究者要考虑的是为什么要确定该总体的理由，以及研究的预期效果和可行性问题。
2、抽样的随机化
抽样要尽可能做到随机化（random）。随机化是指总体中的每个个体被选入样本的概率（probability）不为零。也就是说，总体中的每一个个体入选的机会均等。
随机是科学研究的基本原则。抽样的随机化是一种精确而科学的过程，是科学研究结果可靠性的保证，可以避免研究者自觉或不自觉的偏见。抽签、摇奖就是根据抽样的随机化原理设计的。严格的抽样必须是随机的，这样可避免研究者的主观倾向或人为因素造成的抽样偏差（sampling bias）
3、样本的代表性
样本的代表性指样本应具备总体的性质或特征，样本能在较大程度上代表总体。样本研究的关键在于抽样和推论，抽样是推论的先决条件，样本的代表性会影响研究结论的可靠性和研究结论的推断程度。代表性越高的样本，其研究结果的普遍性就越大。
反之，如果样本没有代表性往往会导致研究的失败。常为人引用的一个例子是：1936年美国的总统大选，当时美国的《文学文摘》杂志曾做了一次关于总统大选的民意调查，调查结果预测兰登将在总统选举中获胜，罗斯福落选。但事实正好相反，选举结果是罗斯福当选总统。
虽然《文学文摘》杂志的民意调查样本数很大，但调查者的样本是从电话号簿和汽车登记册中抽取的。1936年正是美国经济大萧条过后，有汽车有电话的人仅代表了美国选民中的某个特定阶层，对于选民总体来说不具备代表性。
这次民意调查的失败主要在于抽样偏差，样本没有代表性，抽取的样本在质上与总体特征不相吻合。与此同时，盖洛普民意调查所也作了总统大选的调查，只发了2000份问卷，结果预测成功，罗斯福当选总统。
4、合理的样本容量
样本容量又称样本大小，是指抽取样本的具体数量。样本数量的多少是研究无法回避的问题，是研究设计中重要的一环，也是比较困难的一件事。它既要符合研究目的、内容，满足教育统计的要求，又要考虑抽样的可能性，并使误差减少到最低限度。
一般来说，样本数越多，代表性越好，但是增大样本，势必增加研究的人力、物力、财力，增加研究的难度，造成不必要的浪费。如果样本数太小，则抽样误差较大，样本不能代表总体，不利于统计分析，影响研究效果。
样本数量究竟多少为宜，这是一个复杂的问题。我们很难说出一个确定的数字，样本数量要从多个方面综合起来考虑。
抽样是以概率论为理论基础。抽样的作用是为了合理地减少研究对象，既可以节约人力、物力、时间，又可使研究力量相对集中，使研究工作深入、细致，从而提高研究的准确性和可靠性。
一般来说，定性研究中抽取的样本很小，样本有时仅仅是一个案例或一个个体，研究目的是为了对所研究对象进行更深入的了解。而定量研究的样本数较大，样本可以是一群个体，并要考虑样本能否准确代表总体，能否对总体作出推断。
Ⅶ 用户研究方法有哪些如何进行定性和定量的研究
基于问题的性质、变量的类型以及其他因素选择一定的研究方法，来收集与问题有关的主客观数据，进而为了解某些未知的东西或者验证某种想法提供依据。
用户研究有很多方法，基于对已有知识的总结可知，影响研究方法选择的因素主要以下因素：研究的对象、产品的设计阶段、产品所处周期、成本、时间等。通常情况下：
（1）根据收集的数据类型，可以将研究方法划分为定性和定量两种，见图1。
定性研究方法，通常适用于对小数量规模的样本进行分析，主要用于发现新事物的过程，揭露为什么会发生这样的事情，样本数量通常为10~20个，不追求精确的结论，而只是了解问题之所在，摸清情况，得出感性认识，比如用户访谈、卡片分类法、焦点小组、头脑风暴、可用性测试等，见图2。
定量研究方法，则是对大规模的样本进行分析，适用于揭露正在发生的事情，一般是为了对特定研究对象的总体得出统计结果而进行的，比如在线大规模调查问卷、网站日志分析以及A/B测试、自动化可用性测试等。
Ⅷ 小样本研究一般是多少
一般是50个以下，有时也可以30个以下。
拓展：小样本理论是由统计学家威廉.西利.戈塞特（William Sealy Gosset，1876-1937）于20世纪初叶创立的 ，其中小样本是指样本容量小于50（有些规定为小于等于30）。小样本分布在统计假设检验和区间估计等方面的应用，可以省人、省钱、省时间，因而，引起了工业、农业和科学研究等实际工作者的重视和欢迎；同时，也吸引更多的统计学家开拓这方面新的领域。
Ⅸ 小样本回归算法，哪种效果比较好
区别在于总体回归模型比样本回归模型更能精确地反映事物的本质特征,样本回归的误差大。
总体回归模型和样本回归模型都是对随机社会现象的描述，但是总体回归模型是基于研究对象总体数据而进行的回归描述，他对经济现象的解释和说明比较准确，当研究总体太大时，就选取总体部分当做样本来回归分析现象，是对总体回归模型的估计，准确度较低，但是比较常用。
回归分析(regression analysis)是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。 从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显着，哪些不显着。利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。
Ⅹ 对于随机小样本数据而言（15个以下数据），变化尺度也比较大的数据，哪种预测方法比较靠谱。
主要方法有灰度预测（包括GM 等），还有AR,ARMA。我做仿真的时候，这几种方法都对比分析过，结果好像是AR较好，我建议你自己都试一下。因为数据类型不同，他的变换趋势也不同，不能一概而论。另外，做预处理是必要的。