Bonferroni 矫正

Bonferroni 矫正是一种用于多重比较问题中控制第一类错误（即错误地拒绝了真正为空的假设）发生概率的方法。在进行多次统计测试时，即使所有的原假设都是真的，拒绝一个或多个原假设的概率（即犯第一类错误的概率）会随着测试次数的增加而增加。Bonferroni 矫正通过降低单次测试的显著性水平来降低这种错误的整体风险。

工作原理

假设你进行了 m次独立的假设测试，每个测试的显著性水平（错误地拒绝一个真正为空的假设的最大允许概率）为 α。不进行任何矫正，进行这 m次测试时至少出现一次第一类错误的概率远大于 α。

显著性水平（通常表示为 α）是你在统计假设检验中愿意接受的犯第一类错误的最大概率，这种错误是指错误地拒绝了真正的零假设（即发现了假阳性）。在假设检验中，我们通常选择一个显著性水平，比如 0.05 或 5%，这意味着我们愿意接受在没有效应的情况下，有 5% 的几率错误地得出结论说效应是存在的。

P值则是在零假设为真的前提下，观察到当前结果或者更极端结果的概率。如果这个 P 值小于预先设定的显著性水平 α，我们会拒绝零假设，认为结果是统计显著的。如果 P 值小于或等于显著性水平，那么结果被认为是统计显著的，这表明在没有实际效应的情况下观察到这样的数据（或更极端的数据）是不太可能的。也就是说p是在假定假设不存在的情况下，有这样结果的概率，p越低，那么就说明假设越可能成立

为了保持整体的第一类错误率不超