t检验中用fdr校正后的p值如何判断显著性

在 t检验中使用FDR（False Discovery Rate）校正后的p值来判断显著性时，通常会将校正后的p值与事先设定的显著性水平进行比较。FDR校正可以控制在多重假设检验中出现的错误发现的比例。

一种常见的方法是将校正后的p值与预先设定的阈值（如0.05）进行比较。如果校正后的p值小于阈值，则可以认为该差异是显著的，即存在统计学上的显著差异。反之，如果校正后的p值大于等于阈值，则不能拒绝原假设，即不能认为存在显著差异。

需要注意的是，FDR校正仍然可能存在一定程度的错误发现，并且只能控制整体错误率，而无法保证每个单独的假设都是正确的。因此，在使用FDR校正后的p值进行显著性判断时，仍需谨慎解释结果并结合实际背景知识进行分析。

相关问题

t检验中对p值进行fdr校正的步骤

在进行t检验后，如果你希望对p值进行FDR（False Discovery Rate）校正，可以按照以下步骤进行：

1. 收集t检验的所有p值。
2. 将这些p值按升序进行排序。
3. 计算每个p值对应的FDR校正后的阈值，可以使用Benjamini-Hochberg方法来计算。具体计算步骤如下：
- 首先，确定你希望的期望错误发现率（FDR阈值），通常为0.05。
- 然后，计算每个p值对应的调整后的阈值，使用以下公式：调整的阈值 = (i / n) * FDR阈值 / c
其中，i是排序后的p值的位置（从1开始），n是总的p值数量，c是排序后的p值的位置与p值的乘积的总和。
- 注意：如果计算得到的调整阈值大于1，则将其设置为1。
4. 比较每个p值与其对应的调整阈值。如果某个p值小于等于其对应的调整阈值，则认为该结果是显著的。
5. 对于通过FDR校正显著的结果，你可以标记它们或进一步分析。

通过这些步骤，你可以对t检验的p值进行FDR校正，并控制错误发现率，以获得更可靠的结果。

对p值进行fdr校正计算步骤

进行FDR（False Discovery Rate）校正是为了控制多重假设检验中的错误发现率。以下是一种常用的FDR校正方法，称为Benjamini-Hochberg方法：

1. 收集所有需要进行FDR校正的原始p值。
2. 对这些原始p值进行升序排序，得到排序后的p值列表。
3. 对于每个排序后的p值（设为Pi），计算调整后的阈值（设为qi）：
- 首先，计算调整因子m，其中m为排序后的p值总数。
- 然后，对于第i个排序后的p值（Pi），计算qi = (Pi * m) / i。
4. 对于每个排序后的p值（Pi），比较其与对应的qi：
- 如果Pi小于等于qi，则将该p值视为显著。
- 如果Pi大于qi，则将该p值视为不显著。
5. 使用以上步骤确定显著性水平，并进一步分析或报告显著结果。

需要注意的是，以上步骤仅适用于独立和相互独立的假设检验。如果你的假设检验之间存在依赖关系，例如多组对比或重复测量设计，你可能需要考虑其他FDR校正方法，如Benjamini-Yekutieli方法。

通过按照上述步骤对p值进行FDR校正，你可以控制多重假设检验中的错误发现率，并获得更可靠的显著性结果。