使用Matlab开发的MW1cdf函数用于小样本量的Mann-Whitney U检验

获得两个随机变量连续累积分布的Mann-Whitney U概率。此算法基于Fortran77 AS 62 Appl。国家主义者。 (1973)。建议在样本量7 < nx xss=removed xss=removed>

Epps-Pulley 检验是基于 GB/T 4882-2001 的一个统计方法，适用于 n≥8 的样本。这个检验方法在进行小样本数据时，尤其是在有限的样本量下，能比较可靠的统计结果。如果你有相关的小样本数据需要检验，这个方法蛮适合的。你可以通过 SAS、SPSS 等工具来实现，方法也比较简单，只需要对数据进行规范即可。值得注意的是，如果样本量过小，这个方法的精度会受到影响，所以使用时要谨慎。，Epps-Pulley 检验对于某些特殊场景下的数据还是挺实用的，是当数据量不大时，能为你的一种不错的选择。

在某些科学著作中，一旦从感兴趣的人群中收集数据，通常很难了解数据以无组织方式呈现时的含义。将原始数据组合成有意义的形式，例如频率分布，可以使数据更容易理解和解释。正是在频率分布的上下文中，遇到了以简洁的方式传达包含在数据中的数字信息的重要性。因此，分组数据是已被组织成称为类的组的数据。可以通过构建一个显示变量频率分布的表格（其值在原始数据集中给出）来组织原始数据集。这种频率表通常称为分组数据。在这里，我们开发了一个MATLAB代码来计算分组数据的模式。可以在列形式矩阵中输入包含频率计数和hist m函数的bin位置的返回或修改向量n和xout。模式计算使用直截了当的公式，Mo = L + I(

该文章专注于计算未配对或配对样本的学生t检验。此文档适用于样本大小相等或不相等的情况，以及配对或未配对的样本。在未配对样本检验时，使用Fisher-Snedecor F检验来评估方差的等性。如果方差不相等，则执行Satterthwaite的近似t检验。语法包括TESTT(X1, X2, TST, ALPHA, TAIL)，其中X1和X2是数据向量（必填），TST是未配对（0）或配对（1）测试类型（默认为0），ALPHA是显著性水平（默认为0.05），TAIL是单侧检验（1）或双侧检验（2）（默认为1）。

此代码执行了两种修正后的Mann-Kendall检验，考虑了时间序列的自相关（Hamed和Rao，1998）。替代了对趋势的传统检验方法，检验了向量V中趋势缺失的零假设。测试结果显示H = 1，在显著性水平alpha上拒绝了原假设。H = 0表示未能在显著性水平alpha上拒绝原假设。

小样本场景下的光伏预测其实挺棘手的，尤其刚上线的电站，数据少得可怜。双层神经网络这招就挺有意思，把传统网络一拆为二，每层结构更精简，思路也清晰多了。再加上单步预测，输入输出都减负，响应也快，模型整体也更稳定。 影响光伏发电的因素本来就挺多，像天气、光照啥的。作者就巧妙地用了统计把天气因子融合进网络里，减少了建模的复杂度。你要是用过常规的神经网络预测，会发现这个改法还挺实用。 文末还用了真实数据验证过，结果也还不错，精度稳，数据需求也降了不少。适合那种数据刚起步的项目，友好。想做初步部署或者快速测试的可以试试看。 对了，想延伸了解的话，有几个还蛮对口的资源，像是 BP 神经网络光伏预测，还有个

在SAS统计分析软件中，常用于进行t检验的过程包括PROC UNIVARIATE、PROC MEANS以及本章重点讲解的PROC TTEST过程。

Matlab开发-D'Agostino-Pearson检验，用于评估数据向量的正态性。

返回G't Lam的G单边和双边累积分布函数的倒数，其中K方差和V感兴趣的自由度位于P中的值。这可用作测试K个样本的同方差性的替代统计量。1941年，William G. Cochran提出了一种单边上限方差异常值检验来检查同方差性。这种称为C检验用于确定单个方差估计是否显着大于一组方差并考虑范围内的所有方差。然而，正如2010年't Lam指出的那样，C检验有其局限性。它仅适用于相同大小的数据集。它使用的临界值仅适用于方差分布的上尾，在选定数量的数据集、每组重复数及仅在两个显着性水平下可用。此外，它不会识别异常的低方差，但可能会将高方差误认为异常值。2010年，G't Lam将C测试转换为更