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...
在统计学中，P-value、q-value和FDR是多重假设检验中的关键概念，它们分别涉及单次检验的错误率、整体错误率控制以及允许假阳性的调整。审稿人常常强调的多重假设检验校正，主要是为了控制Family Wise Error Rate（FWER，即假阳性率）或False Discovery Rate（FDR），以确保结果的可靠性。文章详细解释了单...
我们在生物数据统计分析中,经常会听到p-value,adjusted p-value,q-value以及False discovery rate(FDR)。比如最常见实验组和对照组的差异基因表达分析,除了获得一个p值(p-value),通常而言还会得到一个adjusted p-value或者FDR(false discovery rate)。那么他们之间到底有什么关系,为什么已经有了一个p-value来指征显...
q-value是FDR的另一种表达方式，通过优化p值分布来计算，可以提供更准确的假阳性和假阴性预测。以代谢组学为例，q-value分析可以更准确地估计在大量假设检验中，哪些显著结果可能是误报。表1中显示，化合物A的p值虽然小，但q值较大，提示其显著性有较高的假阳性的可能性。在选择阈值时，应考虑q值而...
p.value和FDR 最近用limma作差异分析,接触p.value和adj.p.value比较多,今天就重点解释下p.value和FDR吧: 在topTable函数的结果里,我们都会看到p.value和adj.p.value: 不得不提假设检验: 其实前两天的简书里提到了这个概念https://www.jianshu.com/p/eede4ea05f59...
1、p-value 单个假设检验中主要依靠p值(或统计量t)做出是否拒绝零假设H0的决定:p-value和预先设定的检验水准 α 做对比,如果p-value小于等于α,拒绝原假设,否则不拒绝原假设。 p-value:表征了在原假设成立的条件下,重复进行当前的试验,获得现有统计量t及其更极端情况的概率。
Q值则是基于P-value分布的FDR计算方法，所以在日常使用中，两者并没有太大的区别，在进行假设检验校正时，可以视情况而用。R语言代码实现 01 P值计算 1、创建两组数据，可将两组样本的定量信息分别赋值给A和B两个变量，用于后续的t检验。（注：计算T检验p值要求每组至少有三个样本）A <- c(355,626,785,...
2.q-value量化了在观察统计量T = t时,拒绝H0所犯的最小pFDR。p-value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。 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...
每组我们有 12 个重复。我们通常做的是取每组 12 个重复的平均值,并进行 t 检验以比较差异是否显着(假设正态分布)。然后我们得到一个 p 值,比如 p = 0.035。如果它小于 0.05(所设置的阈值),我们得出结论,在处理后基因 A 的表达发生了显着变化。好,问题来了,p value为0.035告诉了我们怎样的信息?