任何方法都会“对少数情况敏感”，这意味着小型研究检测感兴趣特征的能力低于大型研究。对于多变量数据，您不仅要比较均值 - 通常还要估计协方差矩阵，这需要更多数据才能达到任何准确性。

值得考虑的是 MANOVA 中发生了什么。基本上，该算法寻找能够很好地区分组的变量的线性组合。实际上，它内置了降维功能。如果您的变量实际上是独立的，则 MANOVA 不会比一堆单变量比较（t 检验）做得更好。

让我们看看你的建议：

1. 删除变量。当然，如果您认为某些变量无法区分组，请删除它们。

2. 降维。最佳选择，如果您有以某种方式组合变量的主题原因。也许你的变量的总和将是一个很好的衡量标准。您不是让 MANOVA 找到最佳线性组合，而是根据理论考虑提供一个，并对分数进行 t 检验。

3. 重复案例。这行不通。您不能通过复制行使奇异矩阵变为非奇异矩阵。

4. 使用对少数情况不敏感的 MANOVA的替代方法。双样本 t 检验实际上可以检测非常小的样本上的组差异。您可以对所有变量进行 t 检验，但老实说，您需要使用 Bonferroni 方法调整显着性水平。