如果要控制FDR≤α=0.1，则可重新使用Benjamini-Hochberg方法，这次我们从更加图形可视化的角度来理解这个过程。如下图所示，横坐标是假设检验次数，纵坐标是P值。在坐标系中我们先以α/N为斜率画一条红线（P=α*k/N函数），然后将所有假设检验的P值分布在坐标系中，拒绝掉所有在红线下的P值（也就是≤α*k/...
如果要控制FDR≤α=0.1,则可重新使用Benjamini-Hochberg方法,这次我们从更加图形可视化的角度来理解这个过程。 如下图所示,横坐标是假设检验次数,纵坐标是P值。在坐标系中我们先以α/N为斜率画一条红线(P=α*k/N函数),然后将所有假设检验的P值分布在坐标系中,拒绝掉所有在红线下的P值(也就是≤α*k/N的P值...
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...
如果要控制FDR≤α=0.1,则可重新使用Benjamini-Hochberg方法,这次我们从更加图形可视化的角度来理解这个过程。 如下图所示,横坐标是假设检验次数,纵坐标是P值。在坐标系中我们先以α/N为斜率画一条红线(P=α*k/N函数),然后将所有假设检验的P值分布在坐标系中,拒绝掉所有在红线下的P值(也就是≤α*k/N的P值...
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,对每一次假设检验都计算其P值,然后将计算出的P值按照从小到大的方式排序,接着从最小的P值开始,按照P(k)≤α*k/N进行比较,然后可以找到最大的第K个满足上述不等式的P值,最...
其实在rnaseq的差异表达分析中不只是使用fdr控制假阳性还会有independentfiltering独立筛选去降低假阴性而fdr并不能控制假阴性反而会加重假阴性错失很多差异基因例如deseq2和edgerr都有independentfiltering过程为何会这样 StatQuest 目录 FDR是为了控制多重比较中大量升高的假阳性概率FDR可以起作用的原因在于同一总体和差异总体...
Benjamini-Hochberg方法的基本思想是对所有的假设检验结果按照p值从小到大排序,然后计算每个p值对应的FDR阈值,使得所有p值小于该阈值的假阳性率不超过预设的FDR阈值。具体地,假设我们进行了m个假设检验,排序后的p值为$p_1,p_2,...,p_m$,预设的FDR阈值为$\alpha$,则对于每个$p_i$,计算其对应的FDR阈值为$...
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...
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: 将所有的p值按照大小顺序进行排序; 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。
Benjamini-Hochberg方法(BH方法)是一种控制假发现率(False Discovery Rate, FDR)的方法。与Bonferroni方法不同,BH方法不是为了严格控制整体错误率,而是允许一定比例的假阳性,以增加检验的统计效力。BH方法的步骤为: 首先,对所有p值按从小到大排序。 找到最大的k,使得 p(k)≤kmα。 判定前k个假设为显著(即拒绝...