在生物统计学中，为了降低假阳性结果，需要进行多重检验校正。本文介绍了两种主要方法：Bonferroni校正通过严格降低P值阈值来消除假阳性，但可能过于保守；而FDR（False Discovery Rate）校正则旨在控制假阳性比例，以更平衡的方式处理阳性结果。Bonferroni公式为p(1/n)，FDR中的BH方法则寻找最大k值，满足P(k)<=αk/m，以此确定显著差异的检验结果。
在进行生物统计学的计算过程中，P值是需要进行校正的。因为P值的阈值是人为规定的，无论是多小的P值，也仅仅能代表结果的低假阳性，而非保证结果为真。即使P值已经很小（比如0.05），也会被检验的总次数无限放大。比如检验10000次，得到假阳性结果的次数就会达到 5%*10000=500次。
所以这时候我们就需要引入多重检验来进行校正，从而减低假阳性结果在我们的检验中出现的次数。
主要使用的校正办法有两种：
1、Bonferroni 校正
Bonferroni 校正法可以称作是“最简单粗暴有效”的校正方法，它拒绝了所有的假阳性结果发生的可能性，通过对p值的阈值进行校正来实现消除假阳性结果。
Bonferroni 校正的公式为p(1/n)，其中p为原始阈值，n为总检验次数。
如果像我们举的例子一样，原始的P值为0.05，检验次数为10000次，那么在Bonferroni 校正中，校正的阈值就等于5%/ 10000 = 0.000005，所有P值超过0.00005的结果都被认为是不可靠的。这样的话假阳性结果在10000次检验中出现的次数为 10000 * 0.000005 =0.5，还不到1次。
但是这也存在问题：Bonferroni 委实太过严格，被校正后的阈值拒绝的不只有假阳性结果，很多阳性结果也会被它拒绝。
2. FDR（FalseDiscovery Rate） 校正
相对Bonferroni 来说，FDR温和得多，这种校正方法不追求完全没有假阳性结果，而是将假阳性结果和真阳性的比例控制在一定范围内。
举个例子，我们最开始设定的情况中进行了1000
最低0.47元/天 解锁文章
扫一扫
1603
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
