这是我们最常用的校正P-value控制假阳性率的方式。假设针对10000个基因进行了统计检验,对所有的原始P-value进行由小到大的排序分别为p1, p2, ..., p10000,校正后的FDR为:p1*10000/1, p2*10000/2, ..., p10000*10000/10000。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...
这是我们最常用的校正P-value控制假阳性率的方式。假设针对10000个基因进行了统计检验,对所有的原始P-value进行由小到大的排序分别为p1, p2, ..., p10000,校正后的FDR为:p1*10000/1, p2*10000/2, ..., p10000*10000/10000。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...
这是我们最常用的校正P-value控制假阳性率的方式。假设针对10000个基因进行了统计检验,对所有的原始P-value进行由小到大的排序分别为p1, p2, ..., p10000,校正后的FDR为:p1*10000/1, p2*10000/2, ..., p10000*10000/10000。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...
这是我们最常用的校正P-value控制假阳性率的方式。假设针对10000个基因进行了统计检验,对所有的原始P-value进行由小到大的排序分别为p1, p2, ..., p10000,校正后的FDR为:p1*10000/1, p2*10000/2, ..., p10000*10000/10000。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...
q-value是Storey和Tibshirani提出的基于p-value分布的FDR计量方法,具体见什么,你算出的P-value看上去像齐天大圣变的庙?。 如何尽量减少统计检验次数 我们看到上面的校正方法多于统计检测次数有关,统计检测次数越多,校正也会越强烈。有没有合适的办法来规避一些无意义的统计检验呢?
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...
q-value的概念源自优化的FDR方法。它通过利用p值分布的特性生成调整后的p值列表，旨在控制所有显著检验结果中错误发现的数量。与p值相比，q值更倾向于减少假阳性，尤其是在进行大量假设检验时。在代谢组学实验中，假设存在4000个化合物，其中化合物A的p值为0.0101，q值为0.0172。p值表示假阳性的可能性...
【点】p value、FDR、q value 假设检验: 一般步骤: 1.设定假设后需要验证:假设0一般都是“处理组和对照组无区别” 2.构建检验统计量:根据样本数据计算统计量和检验统计量 3.设定置信区间:根据检验统计量的分布,计算假设发生的概率P # 分布的意义在于划定误差分布,即划定真实世界的随机误差范围...
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...
从P-value列表计算得到Q-value列表的统计模型有很多(参考R语言中p.adjust函数)。 P-value 列表计算得到Q-value后,各个元素的大小排序不发生改变(不考虑相等的情况)。 相对于P-value列表中的对应元素的p值,其q值只会变大(或不变),不会变小(但不会超过1)。 P值经放大到对应的Q值的过程中,和列表中的元素的...