⑴ 如何对两种不同实验方法测定同一指标的数据进行统计学分析
首先要判断两组数据是否是正态分布资料，两组是否方差齐，
然后可以计算两组的均数进行t检验
如果不满足正态分数，需要进行数据变换
实在不行的话，最后用秩和检验
⑵ 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。
⑶ 如何检验两种试验方法是否具有可比性
当试验数据出现两种或者多种不同的结果时，应该采用统计学的方法，通过显着性检验来判断试验数据之间是否存在显着性差异。
显着性检验的方法通常有t检验法和F检验法：
t检验用来检测两组数据的准确度，确定是否存在系统误差
F检验又叫方差齐性检验，用来检测两组或多组数据的精密度，确定是否存在偶然误差
计算公式和查表之类的就不写了，太复杂，而且你手上应该都有
针对你的数据，如果只是“需要看一下两组差别是不是很大”，只用F检验即可
如果你需要确定数据是否存在系统误差，或是否与假设结论是否相符时，则需要用到t检验
提醒一句，若要进行t检验，首先得进行F检验，用以判断两组数据的方差齐性
若两组数据方差相等，则用t检验；若方差不等，则用变种的t'检验
总之，不论怎样，都要用到F检验