多重假设检验与Bonferroni校正、FDR校正

最新推荐文章于 2024-04-05 15:18:40 发布
最新推荐文章于 2024-04-05 15:18:40 发布
阅读量2.4k 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/JjinYyi/article/details/111871482
版权
巴黎板蓝根
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
什么是FDR校正，核磁共振成像中FDR校正方法有哪些？如何进行FDR校正？
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
03-04 6330
多重比较是统计学中的术语。当我们进行多次统计检验后，假阳性的次数就会增多，所以要对假阳性进行校正。
多重检验校正
liujingLJ的博客
07-01 7534
多重检验校正 总结： （1）当同一个数据集有n次（n>=2）假设检验时，要做多重假设检验校正 （2）对于Bonferroni校正，是将p-value的cutoff除以n做校正，这样差异基因筛选的p-value cutoff就更小了，从而使得结果更加严谨 （3）FDR校正是对每个p-value做校正，转换为q-value。q=p*n/rank，其中rank是指p-value从小到大排序后的次序。 单次检验的I类错误 假设检验是用于检验统计假设的一种方法，其基本思想是“小概率事件”原理，即小概率事件在一次
FDR校正
qq_39447698的博客
11-26 1万+
FDR校正 一、假设检验 假设检验的基本思路是： 设立零假设（null hypothesis）H0，以及与零假设H0相对应的非零假设（alternative hypothesis）H1，在假设H0成立的前提下，计算出H0发生的概率，若H0的发生概率很低，基于小概率事件几乎不可能发生，所以可以拒绝零假设。 科学研究一般会把我们希望得到的结论当作非零假设，而期望否定的结论当作零假设。只要我们证明零假设发生的概率很小，我们就有理由拒绝零假设，从而接受非零假设。 例如，我希望得到的结论是早上能够八点起床。那么零假设
FDR（False Discovery Rate）矫正
最新发布
weixin_61365716的博客
04-05 2132
FDR（False Discovery Rate）矫正是一种用于多重假设检验的统计方法，旨在控制错误发现率，即错误地将假设测试判定为显著的比例。与Bonferroni矫正相比，FDR矫正通常更加强大，因为它尝试平衡发现真实效应的能力和控制错误发现的风险。
多重检验中的FDR错误控制方法与p-value的校正及Bonferroni校正
piaoyu94的博客
11-16 8035
多重检验中的FDR错误控制方法与p-value的校正及Bonferroni校正
FDR
Nolan777的博客
04-15 7553
FDR（false discovery rate），是统计学中常见的一个名词，翻译为伪发现率，其意义为是 错误拒绝（拒绝真的（原）假设）的个数占所有被拒绝的原假设个数的比例的期望值。 即错误拒绝真/拒绝总数 FDR（false discovery rate），是统计学中常见的一个名词，翻译为伪发现率，其意义为是 错误拒绝（拒绝真的（原）假设）的个数占所有被拒绝的原假设个数的比例的期望值。 统计学中的假设检验的基本思路是： 设立零假设（null hypothesis）H0，以及与零假设 相对应的非零假设（al
p值校正，FDR（BH法）的实现过程
热门推荐
weixin_42480153的博客
06-18 3万+
原理：我们要看下最常用的BH法的论文 做m次无效假设作物的数量 那么，被错误地拒绝了的无效假设的比例Q=V/(V+S)=V/R 所谓的FDR值就是Q的期望值，E（Q）=E（V/R） 如果无效假设是正确的（s=0且v=r），FDR值就和FWER（familywise error rate）一样，假设v=0(结合s=0,就是说假设结果一次错误都没有出),Q就为0；如果v>0(出...
python 相关性fdr矫正_【统计】对P值进行FDR校正的原理（附代码演示）
weixin_39950764的博客
12-23 4380
【统计】对P值进行FDR校正的原理(附代码演示)2018-09-15做了多年的生物信息处理，和统计显著已经打过很多交道。然而限于生物出身背景，对于统计知识了解不是很深刻。细细想来，每次对外说出各种检验方式的名称(通常都是以人名命名的那种)，自己却鲜有细细了解到底这些检验的原理以及具体操作过程。近日听了一场答辩，评委问道：“为何不做p值校正？”。闻后心里一惊，因为自己并不清楚校正的原理，如果自己遇到...
bonferroni_holm:Bonferroni-Holm 方法来控制家庭明智的错误率。 更正多重比较/假设检验（返回调整后的 p 值）-matlab开发
05-29
Bonferroni-Holm（又名 Holm-Bonferroni）确定一系列假设是否仍然显着控制家庭错误率 (FWE) 并随后控制错误发现率 (FDR) Bonferroni-Holm 方法校正多重比较（假设检验） . 它不如 Bonferroni 校正保守，但更强大...
山羊：Python库，用于处理基因本体论（GO）术语
03-01
基因本体论工具 作者 海宝堂（ ） DV（ ） 布伦特·佩德森（） 菲德尔·拉米雷斯（ ） Aurelien Naldi（ ） 帕特里克·弗里克（ ） 杰夫·尤恩斯（ ） 佐藤健太（ ） 克里斯·蒙加（Chris ） 格雷格·（ ） 戴维·德托马索（ ） 奥尔加·（ ） 电子邮件 执照 BSD 描述 该软件包包含一个Python库，用于 根据Fisher的精确测试，处理某些GO术语的过高和不足表示。 具有多种多样的校正例程，包括Bonferroni，Sidak，Holm和错误发现率的本地实现例程。 此外，还包括从多个测试校正 ：FDR的Benjamini / Hochberg的，FDR的Benjamini / Yekutieli，霍尔姆-Sidak，西门斯-Hochberg指出霍梅尔，FDR 2级的Benjamini-Hochberg的，F
multipy：Python中的多个假设检验
02-05
如果未校正相应的p值，则同时测试多个假设会增加假阳性结果的数量。 尽管这个多重测试问题是众所周知的，但是经典和高级的校正方法尚未在统一的Python包中实现。 该软件包着手通过实施控制家族错误率（FWER）和错误...
两阶段 Benjamini、Krieger 和 Yekutieli FDR 过程：用于控制假设检验系列中的错误发现率的两阶段过程-matlab开发
05-30
FDR是一种比Bonferroni校正之类的程序更为保守/更有效的方法，它可以校正多重比较，而Bonferroni校正程序则可以对家庭错误率（即错误地拒绝一个或多个无效假设的可能性）提供了强有力的控制。 当族中相当大比例的...
fdr_bh:Benjamin & Hochberg / Yekutieli 一组统计检验的错误发现率控制程序-matlab开发
06-01
与 Bonferroni 校正等程序相比，FDR 通常是一种不太保守/更强大的多重比较校正方法，后者提供对家庭错误率（即，一个或多个零假设被错误拒绝的概率）的强大控制。 该函数实现了 Benjamini & Hochberg 过程的两种...
de2:fdr
03-18
传统的 Bonferroni校正或其他类似的校正方法过于保守，可能导致许多真正的发现被忽略。FDR方法由Benjamini和Hochberg于1995年提出，它允许一定程度的假阳性错误，但保证了总体误差率在一个可接受的水平。 FDR的工作...
Holm–Bonferroni method
weixin_34007291的博客
05-27 1443
sklearn实战-乳腺癌细胞数据挖掘（博主亲自录视频） https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share  医药统计项目联系：QQ2314692...
多重比较校正
weixin_51192938的博客
01-07 1917
多重比较校正
SPSS协方差分析
雨落狮山山亦奇的个人博客
05-20 1万+
1、分析原理协方差分析是回归分析与方差分析的结合。在作两组和多组均数之间的比较前，用直线回归的方法找出各组因变量Y与协变量X之间的数量关系，求得在假定X相等时的修正均数，然后用方差分析比较修正均数之间的差别。要求X与Y的线性关系在各组均成立，且在各组间回归系数近似相等，即回归直线平行；X的取值范围不宜过大，否则修正均数的差值在回归直线的延长线上，不能确定是否仍然满足平行性和线性关系的条件，协方差分...
多重检验的p值校正：FWER和FDR
ofoliao的博客
06-23 7396
先回忆一下假设检验的来两类错误(参考：深入理解假设检验的两类错误和功效)： 对于多重检验来说，假设做了m次test，V是假阳性的次数，S是真阳性的次数，R是V+S。 列表如下： H0H_0H0​ Do not reject H0H_0H0​ Reject H0H_0H0​ Total TRUE U V m0m_0m0​ FALSE T S m−m0m-m_0m−m0​ Total m-R R m FWER: Family-wise error rate FWE
bonferroni校正成对比较
07-13
### 回答1： Bonferroni校正是一种常用的调整方法，用于解决多重比较中的假阳性误差问题。在进行多组数据的成对比较时，我们通常会进行多次假设检验。然而，如果我们不进行任何校正措施，那么每次进行假设检验时都有可能发生假阳性误差，即错误地拒绝真实的无效假设。 Bonferroni校正的原理是将显著性水平进行调整，以减少发生假阳性误差的概率。具体而言，Bonferroni校正将显著性水平除以进行比较的总次数。例如，如果我们要进行10次成对比较，通常的显著性水平为0.05，那么在Bonferroni校正下，每次的显著性水平为0.05/10=0.005。 通过这种校正方法，我们实际上增加了拒绝原假设的难度，因为我们需要更强的证据来拒绝无效假设。这样做的好处是，我们能够降低发生假阳性误差的概率，从而获得更可靠的结果。 然而，Bonferroni校正也有其限制。由于显著性水平被大幅降低，这可能导致无法拒绝一些实际上存在差异的假设。此外，Bonferroni校正假设所有比较是独立的，而且可能忽略了多个比较之间的相关性。如果多个比较之间存在相关性，Bonferroni校正可能过于保守，导致错失一些有实际意义的差异。 总的来说，Bonferroni校正在一些情况下是一种简单有效的多重比较调整方法，可以减少假阳性误差的发生。然而，在应用时需要谨慎，需要考虑不同场景下的适用性和可能的局限性。 ### 回答2： Bonferroni校正是多重比较中一种常见的校正方法，用于控制因进行多次比较而产生的错误发现率。 在实验或研究中，我们通常需要进行多个相互之间的比较，例如比较多个组别的平均值是否有显著差异。然而，如果不对这些多重比较进行校正，可能会导致错误地认为某些差异是显著的，即使在整体上并没有意义。 Bonferroni校正是一种保守的校正方法。其基本原理是将显著性水平（通常为0.05）除以进行的所有比较的数量。然后将这个校正后的显著性水平与每个比较的p值进行比较。如果某个比较的p值小于校正后的显著性水平，我们可以认为存在显著差异。 例如，如果我们进行了10个比较，显著性水平为0.05，那么校正后的显著性水平为0.05/10=0.005。对于每一个比较，我们将比较的p值与0.005进行比较。如果某个比较的p值小于0.005，我们就可以认为在校正后的显著性水平下存在显著差异。 Bonferroni校正的优点是简单易懂且可解释性强。然而，由于其保守性质，可能导致过多的错误发现率。因此，在实际应用中，还需要根据具体情况选择合适的校正方法，以平衡错误发现率和统计效力之间的权衡。 ### 回答3： Bonferroni校正是一种常用的多重比较校正方法，用于解决进行多次成对比较时可能出现的统计显著性水平过高的问题。在进行多次比较时，如果不进行校正，可能会导致错误地拒绝原假设、得出虚假的显著差异结果。 Bonferroni校正的基本思想很简单，即将显著性水平α除以进行比较的次数，得到一个更严格的临界值。这样，只有当比较结果的p值小于或等于校正后的显著性水平，才能认为结果具有统计学意义。 例如，我们进行了10次成对比较，显著性水平为0.05。如果我们不进行Bonferroni校正，那么每次比较的显著性水平为0.05。然而，进行了多次比较后，整体的显著性水平会增加，导致可能错误地拒绝原假设。 应用Bonferroni校正后，我们将原来的显著性水平0.05除以进行比较的次数10，得到0.005作为校正后的显著性水平。这意味着只有当比较结果的p值小于或等于0.005时，我们才能得出具有统计学意义的结论。 Bonferroni校正的优点是简单易用，能够有效地控制多重比较的错误率。然而，它也存在一些缺点，例如过于保守，在进行大量比较时可能会漏掉真实的显著差异。因此，在实际应用中，我们需要结合研究目的、样本量等因素，综合考虑使用Bonferroni校正或其他多重比较校正方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值