FDR值和Q值：两者虽然名称不同，算法不同，但他们的作用其实是一致的，都是为了对P值进行多重假设检验校正。FDR校正相较于常规的Bonferroni 校正更加的宽松，它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，而FDR校正的算法也有很多，其中BH算法(Benjaminiand Hochberg)用得比较多。Q值...
q值量化了在观察统计量T = t时,拒绝H0所犯的最小FDR。p值的定义基于H0=0的条件而量化T属于Talpha的概率,显然q值是p值定义的一个逆过程,q值是基于T属于Talpha的条件而量化H0=0的概率。 和BH控制不同,q值和pFDR正好相反,即通过选定的拒绝域Talpha去估计对应的q值,当q小于等于alpha时,可保证FDR小于等于alpha。
说到评价肽段鉴定可靠性的常用统计指标,比如p值、E值、假发现率(False Discovery Rate, FDR)、q值和后验错误率(Posterior Error Probability, PEP),小编先抛出一个总表,你要挺住,别被砸晕喽~ 评价肽段鉴定可靠性的统计指标(版权所有:中科院计算所) 可能你会说,我要是能看得懂这些公式,我还需要点开你这篇推...
qobj <- qvalue(t.df1$sim_p, fdr.level = 0.05)pv = qobj$pvalue#对应p值p.max <- max(pv[qobj$significant])p <- ggplot() + theme_classic() + geom_density(data = t.df1,aes(x=sim_p))d <- ggplot_build(p)$data[[1]] p + geom_area(data = d[d$x<p.max,], aes(x = ...
只需输入所有的p值,选择校正算法为BH算法即可,代码如下: pvalue_adjust <- p.adjust(pvalues, method = "BH", n = length(pvalues)) 03 Q值计算 同FDR值计算,需要输入所有的p值,选择校正数据为P-value qvalues <- fdrtool(pvalues, statistic = "pvalue")$qval 综上所述,我们了解了p值、q值和FDR...
P值、FDR值和Q值 P值:指当原假设为真时,比所得到的样本观察结果更极端的结果出现的概率。如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。在组学分析中,寻找差异基因时往往都会采用p值作为筛选标准,这里的p值对应的是...
>> p值、E值、FDR、q值…你晕菜了吗? 温故 在继续开扒之前,我们先来回顾一下总表: image 虽然这张表已经第二次露脸了,但小编明白,要你爱上它的概率仍然是很低很低的!不过不要紧,你就当它是课程表就好,根据表上的顺序,下面我们就开始聊假发现率FDR、q-value以及后验错误率PEP。
>> p值、E值、FDR、q值…你晕菜了吗? 温故 在继续开扒之前,我们先来回顾一下总表: 虽然这张表已经第二次露脸了,但小编明白,要你爱上它的概率仍然是很低很低的!不过不要紧,你就当它是课程表就好,根据表上的顺序,下面我们就开始聊假发现率FDR、q-value以及后验错误率PEP。
P值、FDR值和Q值 P值:指当原假设为真时,比所得到的样本观察结果更极端的结果出现的概率。如果P值很小,说明原假设情况的发生的概率很小,而如果出现了,根据小概率原理,我们就有理由拒绝原假设,P值越小,我们拒绝原假设的理由越充分。在组学分析中,寻找差异基因时往往都会采用p值作为筛选标准,这里的p值对应的是...