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）

【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，如果自己遇到这种问题似乎会很难堪了。

结束后，查阅了多方资料。笔者认为对FDR的数学意义及计算实现已经有了正确的认识。总结一下相关知识，在此以飨读者。

利用Benjamini–Hochberg方法计算FDR的计算及R语言实现

FDR的计算相当简单，包括以下几步：

1.对p值进行从小到大的排序，标记上序号1~n；

2.其中，最大的FDR(不考虑重复则为第n位)等于最大的p值；

3.对于n-1位的FDR，取下面两者的较小值：

上一步(第n位)计算得出的FDR值；

p-value*n/(n-1)

4.不断迭代第三步(n-2,n-3....)，直至计算到最小p值对应的FDR。

下面直接在R里实现：

###例如这10个p值进行校正

temp

根据上述定义，我们知道以此计算出的FDR是有可能出现相同值的---即使其原始p值不同。在上面的例子中，第9位的p值为0.81，根据公式计算出的待选FDR值为0.81*10/9=0.9，比第10位的0.91要小，因此成为真正的FDR。如果我们