t检验中用fdr校正后的p值如何判断显著性
时间: 2023-10-15 22:08:18 浏览: 154
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。