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？

已于 2022-03-04 21:15:08 修改
阅读量7k 收藏 10
点赞数 3
分类专栏： 脑科学核磁共振成像 神经科学工具箱 统计学 文章标签： 功能脑图谱 算法 图像处理
于 2022-03-04 21:13:58 首次发布
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/xj4math/article/details/123285311
版权
FDR（False Discovery Rate）校正是一种用于控制多重比较错误的方法，相较于FWER，FDR允许一定的错误发现。本文介绍了FDR的基本思想、计算过程和在脑科学中的应用，并提供了在R和Matlab中进行FDR校正的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

FDR校正

背景

直到 1990 年代中期，通常使用全族错误率 (FWER) 来控制多次测试下的错误率。这种校正的一个例子是Bonferroni 校正。在一篇有影响力的论文中，Benjamini 和 Hochberg (1995)引入了错误发现率(FDR) 的概念，作为在进行许多测试时进行推理的一种方式。与 FWER 不同，FWER 控制对任何一系列测试犯 I 类错误的概率，FDR 允许研究人员容忍一定数量的测试被错误地发现。FDR 中的单词rate实际上是用词不当，因为 FDR 是比例在所有发现中错误的发现的比例，即在所有拒绝原假设中不正确拒绝的比例。

多重比较校正

那什么是多重比较，什么是FDR校正呢？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。

先解释一些概念：以任务态数据为例，先看一个体素。

原假设（H0）：该体素没

了解本专栏 订阅专栏 解锁全文 超级会员免费看
脑科学磁共振成像（MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总
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。
04-17 2万+
磁共振成像初学者必看一、浅谈功能脑网络二、不同模态脑网络的构建功能脑网络结构脑网络白质纤维束脑网络加权网络二值网络三、趣谈散点图与相关系数四、脑电信号频域变换五、fMRI中的FDR校正六、模板（mask）1、模板(mask )往往是与ROI联系在一起的2、mask作用的原理3、常见的mask七、假设检验和效果量八、组水平标准化九、由 ALFF 说开去十、计算机存取MRI影像的那些事十二、Linux基础命令十三、浅谈标准空间模板和空间变换一：标准空间模板二：空间变换十四 、 功能连接十五、大脑激活与功能连接的
SPM FDR校正
lingllllove的博客
12-19 1696
自己对topological FDR原理的理解（因为内部原理很复杂，不是特别懂，只写出简单理解，留着以后补充）：topological FDR是基于高斯随机场理论，认为voxel之间不是独立的，超过T threshold的voxel 构成了一个个cluster，然后对这些cluster进行FDR校验，这样独立单元（原来是voxel总个数，而现在就是cluster的个数）就大大减小了。这样得到的激活图就是cluster-wise FDR校验的结果，也就是topological FDR校验的结果。
FDR（False Discovery Rate）矫正
weixin_61365716的博客
04-05 6484
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。
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 4677
【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...
多重假设检验与Bonferroni校正、FDR校正
热门推荐
zhu_si_tao的博客
05-02 11万+
总结起来就三句话： （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）BH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。
FDR校正
qq_39447698的博客
11-26 1万+
B-H算法通过动态调整显著性阈值，控制多重假设检验中的假发现率（FDR），即所有被拒绝的零假设中假阳性的期望比例。FDR（False Discovery Rate）矫正是多重假设检验中控制假阳性发现比例的统计方法，其核心原理是通过动态调整显著性阈值，平衡假阳性与统计功效。FDR定义为在所有被拒绝的零假设（即判定为“显著”的结果）中，假阳性（错误拒绝真零假设）所占比例的期望值。此处 ( i=1,2,3 ) 仅表示排序位置，与检验的执行顺序（A→B→C或其他）无关。所以，P(i)的角标 ( i )
R语言如何做FDR校正（21）
qq_35294674的博客
05-24 1万+
1.什么是FDR校正？ FDR (false discovery rate)，即校正后的P值，中文一般译作错误发现率。在转录组分析中，主要用在差异表达基因的分析中，控制最终分析结果中，假阳性结果的比例。 为什么要用FDR? 在转录组分析中，如何确定某个转录本在不同的样品中表达量是否有差异是分析的核心内容之一。一般来说，我们认为，不同样品中，表达量差异在两倍以上的转录本，是具有表达差异的转录本。为了判断两个样品之间的表达量差异究竟是由于各种误差导致的还是本质差异，我们需要根据所有基因在这两个样本中的表达量数据
Multiple corrections: FDR vs. Bonferroni
#+!
07-10 550
Bonferroni: Testing the same hypothesis many times, or many different ways. (Some tests may be much less powerful than others). If even one test really shows that the null hypothesis is wrong, then it is dead.FDR: We are testing many hypotheses (in a simil
python 相关性fdr矫正_你的p值，进行FDR校正了吗？
weixin_39580124的博客
01-14 4573
原标题：你的p值，进行FDR校正了吗？在生信分析中，隔三差五地就需要和p值探讨是否显著差异，还要搬出FDR对p值进行校正。让每个基因根据p值大小从小到大排个队，拿个号牌，然后把自己的p值乘上总基因数，再除以自己号牌上的数就是FDR校正后的p值啦。这个过程用数学语言表示为： 其中，q-valuei是校正后的p值，length(p)是总基因数，rank(p)是每个基因排队的号牌。那么，为什么要用这个公...
FDR校正的程序实现及严格程度对比
machinelearning_er的博客
05-13 2万+
FDR校正的程序实现及严格程度对比 前言 做统计分析就离不开P value<0.05，而写过科研文章的人也都知道没有经过FDR校正的P值就像一盘散沙，不用风吹，走两步自个儿就散了。那么FDR校正这个让人又爱又恨的东西是什么呢？又是如何实现呢？ 原理是这样：设总共有m个候选基因，每个基因对应的p值从小到大排列分别是 p(1),p(2),...
fdr校正R实现
Christina
08-01 3万+
1.利用p.adjust函数 data&lt;-c(0.05,0.90,0.89……) p.adjust(data,method="fdr,n=length(data)) 这里data大小应该给从小到大排列，否则校正出的p值有很多相同的值 解决这一问题的办法是利用R的软件包，即第二种方法 2.install.packages("fdrtool") data&lt;-c(0.05,0.9...
【FDR校正】显著性差异分析后的校正
qq_47607743的博客
02-15 455
对两组数据进行配对t检验，从而得出这两个条件之间是否具有显著性差异。但是这是有一个犯错的概率的，比如5%（若alpha=0.05），也就是会犯一类错误（假阳性）。什么时候需要做事后校正？ 举个例子： （取自B站【fMRI小知识:什么是多重比较校正？怎么计算FDR,FWE?一条死鱼的脑激活】 https://www.bilibili.com/video/BV1Yh411Z75c/?share_source=copy_web&vd_source=a19e8d7196a2e5be6b796733c6338a39）
FDR
Nolan777的博客
04-15 8747
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
FDR错误发现率-P值校正学习[转载]
weixin_34066347的博客
12-12 3790
转自：https://baike.baidu.com/item/FDR/16312044?fr=aladdinhttps://blog.csdn.net/taojiea1014/article/details/79681249 http://www.360doc.com/content/18/0914/21/19913717_786724085.shtml https://www.soh...
FDR（矫正后的P值）问题
weixin_40640700的博客
03-19 3万+
最近在分析数据的时候，遇到一个问题。 因为在文献中大家好像都在用FDR作为指标来判断。 但是我的结果中FDR普遍为0.99且一样，而P值则小于0.05,这就让我比较迷茫？ 为什么会出现这种情况？是我在处理的哪个环节出错了吗？ 在这种情况下，是否应该根据FDR来判断，FDR处理的意义是什么？ 于是以下，就这个问题进行探究。 我处理后的部分数据： gene logFC A...
python 相关性fdr矫正_ALFF数据的双样本t检验的和FDR矫正的问题
weixin_42311672的博客
12-23 1405
1、如果有很强的假设只关心这三个网络，那么，双样本t检验可以只在这三个网络内做。2a、FDR校正的cluster size，好像是人为定义的，比如10个体素。这与AlphaSim不同。我这个问题不是很专业，我请相关的专家回复。2b、"另外经过FDR以后，我第一组患者的p值是0.0018501，第二组是0.00021627，这样两组可以比较么？"这句话没太理解。你的这种情况，多重比较校正应该针对双样...
R语言计算多重校正检验FDR q值
weixin_66130850的博客
05-17 1015
这个问题从去年困扰我到现在，比较不是专业学代码的，一边学一边忘。先提前整理好excel表,P值按大小排好序。
多个自变量和因变量回归结果FDR校正问题
weixin_43784930的博客
09-22 374
我有7个自变量和11个因变量，最终得到77个P值，想问一下在用p.ajust做FDR校正时是要把77个全放进去吗，还是需要按因变量分组进行，每次放进去7个P值。
能再加一个FDR校正吗？
最新发布
02-21
<think>嗯，用户之前问过如何在SAS中做变量a和另外10个变量的Spearman相关分析，现在他们又想知道如何加上FDR校正。我需要先确认他们的问题具体是什么。FDR校正通常用于多重比较校正，比如在多个假设检验中控制错误发现率。用户可能在做了10个Spearman相关分析后，希望对这些p值进行FDR校正，以避免假阳性结果。 首先，我需要回忆一下SAS中是否有内置的FDR校正功能。记得在PROC MULTEST中可以执行多种多重检验校正，包括FDR。不过用户当前使用的是PROC CORR，它本身可能不直接提供FDR校正选项，所以可能需要分两步：先得到Spearman的结果，特别是p值，然后将这些p值提取出来，用PROC MULTEST进行校正。 接下来，我需要考虑如何将PROC CORR输出的p值导入到数据集中，这样才能在后续步骤中使用。可能需要使用ODS OUTPUT语句来捕获输出结果。例如，用ODS OUTPUT SpearmanCorr=work.spearman_results; 将结果保存到一个临时数据集中。 然后，处理这个数据集，可能需要进行数据清洗，比如保留变量名和对应的p值，去除不必要的行（比如变量与自身的相关，其p值为缺失或1）。之后，使用PROC SORT按p值排序，为FDR校正做准备。 接下来，使用PROC MULTEST进行FDR校正。记得PROC MULTEST的pvalues输入需要是原始p值，并且可能需要指定FDR方法，如Benjamini-Hochberg。不过需要注意PROC MULTEST的语法，可能需要将数据转换为合适的格式，比如每个p值作为一行，并指定相应的变量。 另外，用户可能需要将校正后的p值与原始结果合并，以便于比较。这可能涉及到数据集的合并操作，比如使用DATA STEP或PROC SQL根据变量名进行合并。 需要检查用户提到的变量是否是连续的var1-var10，如果是的话，代码中的变量列表可能需要调整。此外，要确保在ODS OUTPUT中正确捕获了变量对的信息，可能需要查看PROC CORR输出的对象名称是否正确，比如SpearmanCorr是否是正确的结果表名。 可能还需要提醒用户注意数据中的缺失值处理，因为在PROC CORR中默认是成对删除，如果数据有缺失，可能会影响p值的计算，进而影响FDR校正的结果。 最后，应该给出一个完整的代码示例，从PROC CORR提取结果，处理数据，到运行PROC MULTEST进行FDR校正，并将结果合并展示。同时，解释每一步的作用，确保用户能够理解并调整代码以适应他们的实际变量名和数据结构。 可能还需要验证代码的正确性，比如测试是否有语法错误，或者步骤是否合理。比如，确保在PROC MULTEST中使用in=pvals选项正确引用了p值的数据集，并且方法选择正确。 总结来说，用户的真实需求是在进行多个Spearman相关分析后，对得到的多个p值进行FDR校正，以控制错误发现率。因此，回答需要分步骤说明如何获取这些p值，如何进行校正，并将结果整合，同时提示注意事项和可能的调整点。</think>在 SAS 中为 **Spearman 相关系数** 的 p 值添加 **FDR校正**（False Discovery Rate，错误发现率校正），可以通过 `PROC MULTEST` 过程实现。以下是完整代码示例： --- ### **完整代码（含注释）** ```sas /* Step 1: 计算 Spearman 相关系数并提取 p 值 */ proc corr data=your_dataset spearman noprint outp=work.spearman_corr /* 输出相关系数矩阵 */ outs=work.spearman_pvals; /* 输出 p 值矩阵 */ var a; /* 主变量 a */ with var1-var10; /* 与 a 相关的变量 */ run; /* Step 2: 提取 a 与其他变量的 p 值 */ data work.pvals_only; set work.spearman_pvals; where _name_ = 'a' & _type_ = 'P'; /* 筛选变量 a 的 p 值行 */ keep var1-var10; /* 保留需要的变量 */ run; /* Step 3: 转换数据为长格式（每行一个 p 值） */ proc transpose data=work.pvals_only out=work.long_pvals name=variable; /* 变量名作为新列 */ var var1-var10; /* 需要校正的变量 */ run; /* Step 4: 进行 FDR 校正（Benjamini-Hochberg 方法） */ proc multest data=work.long_pvals pdata=work.long_pvals fdr /* 指定 FDR 校正 */ out=work.fdr_results; pvalue col1; /* 指定包含原始 p 值的列 */ run; /* Step 5: 合并原始结果与 FDR 校正后的结果 */ proc sql; create table final_results as select a.variable, a.col1 as raw_p_value, b.fdr_p as fdr_adjusted_p from work.long_pvals a left join work.fdr_results b on a.variable = b.variable; quit; /* 打印最终结果 */ proc print data=final_results; title "Spearman相关性分析结果（含FDR校正）"; run; ``` -- ### **关键步骤说明** 1. **Step 1**: - 使用 `PROC CORR` 计算 Spearman 相关系数，并通过 `outs=` 选项输出 p 值到数据集 `work.spearman_pvals`。 - `noprint` 选项隐藏冗余输出。 2. **Step 2**: - 从 `work.spearman_pvals` 中筛选变量 `a` 的 p 值行（`_type_ = 'P'`）。 3. **Step 3**: - 将宽格式数据（变量名作为列）转换为长格式（每行一个变量名 + p 值），便于后续处理。 4. **Step 4**: - `PROC MULTEST` 进行 FDR 校正，默认使用 **Benjamini-Hochberg 方法**，输出校正后的 p 值。 5. **Step 5**: - 合并原始 p 值和校正后的 p 值，生成最终结果表。 -- ### **输出示例** | Variable | Raw_p_value | FDR_Adjusted_p | |----------|-------------|----------------| | var1 | 0.003 | 0.015 | | var2 | 0.025 | 0.050 | | ... | ... | ... | --- ### **注意事项** 1. **变量名调整**： - 如果变量名不是连续的 `var1-var10`，需在代码中手动列出所有变量名（如 `with x y z;`）。 2. **缺失值处理**： - `PROC CORR` 默认按 `pairwise` 删除缺失值，若需严格使用完整数据，可添加 `nomiss` 选项。 3. **FDR方法选择**： - `PROC MULTEST` 默认使用 Benjamini-Hochberg 方法，也可通过 `method=adaptive` 等选项调整。 希望这个方案能满足你的需求！
评论 2
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

打赏作者

sta@ma@brain

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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