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...
q值实际上就是false discovery rate (FDR): q-value=FDR=\frac{FP}{FP+TP} 直观来看,q值是用上面混淆矩阵的第二行算出来的 但是仅仅知道它俩的计算公式的差别还不够,我们还有必要搞清楚一个问题:它俩在统计学意义上有什么不同呢? p值衡量的是一个原本应该是 H_0 的判断被错误认为是 H_1 \, (reject ...
对于计算出来的Q=[Q1,Q2,…,Qn],若某一个Qi值大于前一位Qi-1值,则把Qi的值赋值为Qi-1;反之则保留相应的Q值。最终得到Q值称之为校正后的FDR值。 第四步:按照重排序之前的顺序返回各个p值对应的校正后的FDR值。 例子:假设p=[0.01, 0.005, 0.03, 0.03, 0.02, 0.04, 0.05],计算相应的校正后的FDR值。
pvalue_adjust <- p.adjust(pvalues, method = "BH", n = length(pvalues))Q值计算 📉 Q值的计算与FDR值类似,需要输入所有的P值,并选择校正数据为P-value。R qvalues <- fdrtool(pvalues, statistic = "pvalue")$qval这样,我们就完成了P值、FDR值和Q值的计算,可以对数据进行更深入的分析。0 0 发...
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。Storey给出了关于q值和pFDR的估计算法。 根据p值或q值可以计算对应的FDR,多重假设检验中拒绝H0的次数。 BH计算错误发现率时具有保守性,即在降低假阳性的同时,也减少了正确的假设。为此可采用...
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，进一步评估假阳性控制。理解并掌握这些统计学指标与...
3. 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。Storey给出了关于q值和pFDR的估计算法。 4. 根据p-value或q-value可以计算对应的FDR,多重假设检验中拒绝H0的次数。 5. BH计算错误发现率时具有保守性,即在降低假阳性的同时,也减少了...
按α=0.05进行计算: 排名第四的 P (4) = 0.03 < 0.05*4/6 = 0.033,符合要求 排名第五的 P (5)= 0.045 > 0.05*5/6 = 0.041,不满足P(k)<=α*k/m,因此在这个列表里排名前四的G2,G6,G5,G4 为具有显著差异的基因。 我们也可以用q值进行FDR校正: 排名第五的G3,其q值大于0.05,故G2,G6,G...
为了使得这个错误率很低,我们要求平均错误控制率要小于一个预先设定的q值(比如0.05)即E(Q)≤q* 在统计学上,这也就等价于控制FDR不能超过5%。将E(Q)≤q*进行拆分: 因为V代表实际的差异基因,是固定不变的;要想使得控制错误率达到最小,就必须要求分母(V+S)最大化。