在统计学中,错误发现率(FDR)是一种在多重比较时进行零假设检验时,对第一类错误率进行概念化的方法。FDR控制程序旨在控制FDR,即预期中“发现”(拒绝零假设)为假(错误拒绝零假设)的比例。换句话说,FDR是错误分类为阳性的数量(错误发现)与所有分类为阳性的总数(拒绝零假设)之间的预期比率。拒绝零假设的总数既包括假...
02 FDR值计算由于FDR值是对多重假设检验的校正,我们必须要有足够多的P-value,才能支撑起我们的FDR校正算法,这里不展示数据,只展示一下过程。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...
在多重假设检验中,如果我们对多个假设进行独立检验,简单地应用每个假设的p-value阈值(如0.05),会导致总体假阳性率(即第一类错误的概率)显著增加。 BH方法的目标是控制假发现率(False Discovery Rate, FDR),它是指在所有被拒绝的原假设中,错误拒绝的比例。其基本思想如下: 对所有的p-value进行排序,从小到大。
通过将整体显著水平除以假设总数,Bonferroni校正调整了每个假设的显著水平,从而减少Ⅰ类错误。例如,若常见显著水平为0.05且需检验两个独立假设,则实际应用于这些假设的显著水平应为0.025,即0.05除以2。【 FDR错误控制法 】FDR方法由Benjamin在1995年提出,通过设定一个预先的错误比例阈值(例如0.05),允许在差...
在R语言中,计算P值、FDR值与Q值的步骤如下:首先,创建两组数据,并进行方差齐性检验,以确认数据满足t检验的前提条件。然后,使用t检验计算P值,以评估两组数据之间的显著性差异。接着,通过p.adjust函数对多个P值应用FDR校正算法(如BH算法),得到校正后的FDR值。最后,使用fdrtool包计算Q值,...
最后举个例子:假设大脑总共有50000个体素(V=50000),通过假设检验发现有20000个体素的P<0.05,也就是说Da=20000。FDR和FWE的校正水平都设为0.05。那么FDR说的是在20000个激活的体素中,假阳性的体素不超过20000*0.05=1000个。FWE说的是在总共50000个体素中(包括检测到的激活的体素和不激活的体素),假阳性的体素不超...
多重检验的FDR的控制方法控制是指决定一个显著性水平的界值,从而将FDR限制在某一固定水平。这类似于FWER的控制。可以采用线性向上的控制方法,分为两步进行:首先将所有检验的p值进行排序,即\(p(1) \leq p(2) \leq p(3) \leq ... \leq p(m)\);然后逐步后退比较\(p(i) \leq q\)...
FDR(FalseDiscoveryRate;假发现率)的控制方法应运而生是一种有效的应对策略;它为多重比较中的错误控制提供了新的思路。FDR得提出并不是没有背景得。假设我们在进行多个统计检验时每一个检验都有可能产生假阳性。传统得方法如Bonferroni校正虽然能在某种程度上减少错误,但它的保守性过强,导致实际发现的机会大幅度下降...
FDR和Bonferroni检验区别 | Bonferroni检验和FDR(假阳性率)校正方法都是多重比较中常用的统计校正方法,用于控制多次检验中的错误率。它们有一些异同之处。Bonferroni检验是一种保守的校正方法,它通过将显著性水平除以进行的多次检验的数量来调整p值的阈值。它的基本原理是将整体显著性水平平均分配给每个检验,从而降低单个...
q-value是Storey和Tibshirani提出的,它基于p-value分布,能提供一个调整后的FDR估计。减少统计检验次数的方法之一是通过筛选或预处理数据,只对可能重要的部分进行深入分析。总的来说,这些校正方法旨在平衡检验的敏感性和可靠性,确保在大量假设检验中得出的结果更为准确。通过理解这些概念,研究人员能够更...