多重检验中的FDR错误控制方法与p-value的校正及Bonferroni校正

最新推荐文章于 2021-07-01 08:36:43 发布
最新推荐文章于 2021-07-01 08:36:43 发布
阅读量7.8k 收藏 2
点赞数 1
piaoyu94
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
spss方差分析_SPSS方差分析Bonferroni法两两比较校正P值如何解读？
weixin_39989941的博客
12-09 1万+
方差分析中当因素效应有统计学意义时，需要进一步做两两比较考察因素各水平间的差异。LSD、Bonferroni、Duncan、Tukey等都是国内比较喜欢的用的方法。其中对概率P值有调整校正的方法中，Bonferroni法使用率最高。案例背景分析为了对几个行业的服务质量进行评价，消费者协会在四个行业分别抽取了不同的企业作为样本，最近一年中消费者对总共23家企业投诉的次数如下表，试分析四个行...
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 4227
【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...
多重假设检验中FDR的错误率控制
11-23
多重假设检验中FDR的错误率控制和估计方法，比较了几种多重假设检验的控制方法，详细介绍了FDR控制方法。
多重检验校正
liujingLJ的博客
07-01 7166
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
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（因此 p 值更有可能保持显着）。 此函数接受来自 1 个或多个假设的原始 p 值，并输出 FWE 调整后的 p 值，以及指示在校正 FWE 后哪些 p 值在 alpha = 0.05 或其他 alpha 时仍然显着的逻辑数组。 有关说明，请参见功能代码。
A / B测试中的p-hacking和错误发现-研究论文
05-20
我们根据治疗效果的p值停止在线实验，以调查在线A / B实验人员在何种程度上“ p-hack”，以及这种行为如何影响实验结果的价值。 我们的数据包含2,101个商业实验，实验者可以在其中每天追踪实验效果的大小和显着性水平。 我们使用回归不连续性设计来检测达到特定p值对停止行为的因果关系。 实验者确实有时会遭到黑客攻击。 具体而言，大约73％的实验者仅在积极效果达到90％的置信度时才停止实验。 而且，大约75％的效果是真正无效的。 在以90％置信度进行p-hack的实验中，不当的可选停止操作会使错误发现率（FDR）从33％增加到40％。 假设错误发现导致实验者停止探索更有效的治疗方法，我们估计错误发现的预期成本为举升损失1.95％，相当于观察到的举升的第76个百分点。
多重假设检验与Bonferroni校正、FDR校正
JjinYyi的博客
12-28 2147
多重假设检验与Bonferroni校正、FDR校正
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...
FDR
Nolan777的博客
04-15 6456
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
HMM-FDR.zip_Fdr_HMM_假设检验_多重假设_马尔 matlab
07-13
基于隐马尔科夫链的多重假设检验程序,R语言环境,可能解决多重假设检验中存在的统计量相关问题
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
执行 Benjamini & Hochberg (1995) 过程来控制假设检验系列的错误发现率 (FDR)。 FDR 是被错误拒绝的被拒绝假设的预期比例（即，这些测试的原假设实际上是正确的）。 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 过程的两种版本：一种假设独立或正相关测试，另一种不假设测试相关性。 后一种程序（由 Benjamini 和 Yekutieli 于 2001 年发布）总是合适的，但比前者保守得多。 这两个过程都非常简单，只需要家族中所有检验的 p 值除了校正多重比较的 p 值之外，此函数还返回在 FDR 调整后仍然显着的任何 p 值的多重比较调整置信区间覆盖率。 这些“经过 FCR 调整的选
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
Linux操作系统相关习题集
04-25
Linux操作系统相关习题集，包含常用名、Linux系统基础知识等
基于java的-30-「计算机毕业设计」基于net的湖南特产销售网站-源码.zip
04-25
提供的源码资源涵盖了Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 适合毕业设计、课程设计作业。这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。 所有源码均经过严格测试，可以直接运行，可以放心下载使用。有任何使用问题欢迎随时与博主沟通，第一时间进行解答！
JVM+Java程序运行过程内存分配图解
04-25
1、JVM 内存分配图解的 Visio 工程图。 2、直接下载使用、可自行调整和修改
IOC智慧运营中心平台整体解决方案qy.pptx
04-25
IOC智慧运营中心平台整体解决方案qy.pptx
node-v12.22.8-x86.msi
最新发布
04-25
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
【前端素材】大数据-电动车管理.zip
04-25
大数据技术指的是用于处理和分析大规模数据集的技术和工具。以下是一些常见的大数据技术和工具： Hadoop：Apache Hadoop是一个用于分布式存储和处理大规模数据的开源框架。它包括Hadoop Distributed File System（HDFS）用于数据存储和MapReduce用于数据处理。 Spark：Apache Spark是一个快速、通用的集群计算系统，提供了比MapReduce更快的数据处理能力。它支持内存计算和更多复杂的数据处理流程。 NoSQL数据库：NoSQL数据库（如MongoDB、Cassandra等）则更适用于处理这类数据。 数据仓库：数据仓库是一个用于集成和分析大规模数据的存储系统，一些知名的数据仓库包括Snowflake、Amazon Redshift等。 数据湖：数据湖是一个存储结构化和非结构化数据的存储池，用于支持数据分析和机器学习应用。 机器学习：大数据技术也广泛应用于机器学习领域，支持大规模数据的模型训练和预测分析。 流式处理：针对实时数据处理需求，流式处理技术（如Apache Kafka、Apache Flink）可以实时。
得到p-value值和校正后的p-value值，能不能也把FDR数值也算出来
07-17
当然，我们可以计算FDR值并将其添加到基因表格中。以下是修改后的代码示例： ```python import pandas as pd from scipy.stats import ttest_ind from statsmodels.stats.multitest import multipletests # 读取基因表格数据 gene_data = pd.read_csv('gene_expression.csv') # 获取条件列名 condition_columns = gene_data.columns[1:] # 创建空的p-value列 gene_data['p_value'] = 0.0 # 计算每个基因的p-value值 for index, row in gene_data.iterrows(): gene_expression = row[1:] # 获取基因在不同条件下的表达量 condition_1 = gene_expression[:len(condition_columns)//2] condition_2 = gene_expression[len(condition_columns)//2:] _, p_value = ttest_ind(condition_1, condition_2) # 使用 t-test 计算p-value值 gene_data.at[index, 'p_value'] = p_value # 进行FDR校正并计算FDR值 rejected, adjusted_p_values, _, fdr_values = multipletests(gene_data['p_value'], method='fdr_bh', is_sorted=False, returnsorted=False) gene_data['adjusted_p_value'] = adjusted_p_values gene_data['fdr'] = fdr_values # 保存数据到新的表格 gene_data.to_csv('gene_expression_with_p_value_fdr.csv', index=False) ``` 在这段代码中，我们使用 `multipletests` 函数进行FDR校正，并将校正后的调整p-value值保存在 "adjusted_p_value" 列中，同时将FDR值保存在 "fdr" 列中。 请注意，`multipletests` 函数的 `is_sorted` 参数设置为 False，表示输入的p-value值未排序。如果您的p-value值已经按照某个顺序排列，可以将 `is_sorted` 参数设置为 True，以提高计算效率。 最后，我们将包含新数据的基因表格保存到 'gene_expression_with_p_value_fdr.csv' 文件中。 这是一个简单的示例，您可以根据您的具体需求进行修改和调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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