错误发现率FDR(False discovery rate)是在所有结果显著的检验中,假阳(零假设H0为真时,拒绝H0的情况)所占的比率。如下表所示,N次假设检验中,FDR定义为V/R=V/(V+S)。 而经典的Benjamini-Hochberg (BH) 方法就是用于控制错误发现率FDR的一种方法,让FDR≤α。 Benjamini-Hochberg 方法介绍 有N次假设检验,对每...
此外,BH方法只能控制FDR,而无法保证发现的每个拒绝原假设都是真的。 在实际应用中,BH方法通常以多种形式的R函数或Python包提供。这些工具不仅能够自动完成BH校正的计算,还可以为用户提供校正后的拒绝原假设的结果,以便进一步的数据分析和解释。 总之,Benjamini和Hochberg的假阳率是一种多重检验校正的方法,被广泛应用...
FDR定义为被拒绝的虚无假设中错误拒绝数目与总拒绝数目的比值。即FDR=错误拒绝的个数/总拒绝个数。控制FDR的方法可以更有效地捕捉到具有实际意义的结果,同时仍然最小化错误发现的数量。 计算Benjamini和Hochberg(BH)的FDR是一个多步骤的过程: 1.将所有的p值按照升序排列,并赋予其一个排名。 2.对每个p值应用以下...
执行FDR的一个例子——Benjamini-Hochberg方法 Benjamini-Hochberg方法其实很简单,计算也不繁琐,只需要2步即可: 1.将所有的p值按照大小顺序进行排序; 2.从最大p值开始计算,最大的数值没有变化, 剩余adj p.val计算方法为 其中,rank of p.val是每个p值的秩,Max rank是最大秩。 以下图中数据为例,首先将p值按...
简单搜索了一下知乎,只有提到FDR的解释,还有介绍Benjamini-Hochberg的步骤,但似乎并没有帖子解释为什么用这个方法可以控制错误发现率(False discovery rate, FDR)。 首先一句话概括引入FDR的目的,即是在multiple hypothesis testing的情况下,对false positive加以控制,FDR没有FWER那么保守。详细的介绍可以移步至下面这个帖子...
您通常不需要重新发明轮子。p.adjust(p, method = 'hochberg', n = length(p))
您通常不需要重新发明轮子。p.adjust(p, method = 'hochberg', n = length(p))
method指定矫正用的方法。可以用的方法可以通过运行“p.adjust.methods ”来查看,有: Bonferroni correction ("bonferroni") ,Holm (1979) ("holm"), Hochberg (1988) ("hochberg"), Hommel (1988) ("hommel") and Benjamini & Hochberg (1995) ("fdr"或“BH”) ...
In this tutorial, we will show you how to apply the Benjamini-Hochberg procedure in order to calculate the False Discovery Rate (FDR) and the P-Value Adjusted. The Benjamini-Hochberg procedure, also known as the False Discovery Rate (FDR) procedure, is a statistical method used in multiple...
The "BH" (aka "fdr") and "BY" methods of Benjamini, Hochberg, and Yekutieli control the false discovery rate, the expected proportion of false discoveries amongst the rejected hypotheses. The false discovery rate is a less stringent condition than the family-wise error rate...