FDR调整后的p值(或也可以叫q值)为0.05意味着在所有的显著检验结果中,5%的显著结果会有假阳性。后者将导致更少的假阳性。还是举差异基因表达的例子,如果我们检验5000个基因,同时我们设置p值0.05为显著性cutoff,根据这个cutoff,我们的结果中假设显示了1000个基因有差异表达,那么意味着在所有5000个基因的结果中,偶然情况下,我们会得到250个显著差异表
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...
与Bonferroni correction一致的地方是都乘以了检测总数,不一致的地方是BH算法在此基础上除去了各个原始p-value的排序值。 具体计算方式见下表(总检测次数为10次;控制FDR小于0.1) BH法有时也称fdr法,是我们最常用的多重假设检验校正方法,可以很好的控制假阳性率和维持统计检出力。R函数p.adjust可用来计算一组p-value...
AI代码解释 sum(p.adjust(pvals,method="BH")<0.05)#13 从图中看到的一样 代码语言:javascript 代码运行次数:0 运行 AI代码解释 adj.pvals<-p.adjust(pvals,method="fdr")compare_list<-data.frame(org.pvalue=pvals[order(pvals)][1:13],adj.pvalue=adj.pvals[order(adj.pvals)][1:13])#p_adjuste...
使用FDR校正得到的p-adjust即为q-value。 clusterProfiler包中的enrichKEGG函数和enrichGO函数用的什么方法? p-adjust clusterProfiler包中的enrichKEGG函数和enrichGO函数的默认p值校正方法为BH法 qvalue enrichKEGG函数和enrichGO函数都包含一个用于富集的函数enricher_internal(这个函数属于R包DOSE),而在enricher_interna...
为解决这个问题,引入了p-adjust,即校正后的p值。其中,Bonferroni校正是一种严格的方法,通过调整p值阈值减少假阳性,但可能误判真实阳性。而FDR校正(如BH法)则更注重控制假阳性与真阳性比例,如Storey方法,它计算得到的q-value就是FDR校正后的p值。在R包clusterProfiler的enrichKEGG和enrichGO函数中...
大家耳熟能详的矫正P值有,adjust.p , q值,以及FDR,他们的作用都是把P值的放大,这样之前那些小于0.05或者0.01的具有统计学显著的基因就不再显著啦,就是把筛选标准严格一点而已。 生存分析凭什么不需要矫正P值? 难道就是因为我们希望统计学显著的生存结果,就选择性展示它吗?
修正的q*值取最小值,即为我们平时工作中用到的修正的FDR值q-valuei。这里的公式即为Bonferroni型多重检验过程中的公式。也是开始FDR的计算公式: 最后是FDR校正后的p值计算的一个小例子。 大家可以移步该网页查看 http://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.html...
51CTO博客已为您找到关于p值校正 FDR python的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及p值校正 FDR python问答内容。更多p值校正 FDR python相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。