python FDR

FDR (False Discovery Rate) 是一种控制多重检验中的错误发现率的方法。它是由Benjamini和Hochberg在1995年提出的。他们的方法的目标是控制在一个预设的水平以下的FDR，并在此基础上，后续的研究提出了更加精确估计FDR的方法，例如Storey的、Broberg的、Dalmasso的、Guan的和Strimmer的方法等。Benjamini的方法将FDR控制在一个水平以下，而后续的方法与此方法相比更具有强大的统计力度，但也牺牲了鲁棒性。

在数据分析中，常常会遇到多重检验问题，即对于多个假设进行统计检验。Benjamini在1995年提出了一种方法，通过控制FDR (False Discovery Rate) 来确定P值的阈值。假设选出了R个差异表达的基因，其中有S个是真正有差异表达的，而另外有V个实际上却没有差异表达，是假阳性。在实践中，希望错误比例Q=V/R的平均值不能超过预先设定的值（例如0.05），在统计学上，这等价于控制FDR不超过5%。

至于Python中如何计算FDR，我找到了一个使用SHD函数的代码示例：`cdt.metrics.SHD(target, pred, double_for_anticausal=True)`，其中`target`是目标变量的真实值，`pred`则是预测值，`double_for_anticausal`则是一个参数，用于指定是否将反因果结构计算两次。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [FDR多重检验校正原理及Python实现方法](https://blog.csdn.net/weixin_39818264/article/details/113981441)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [对于因果模型的常见评估函数：SHD 和 FDR](https://blog.csdn.net/weixin_55703970/article/details/124239263)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]