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。

相关问题

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。

我需要对两个10通道*513频率的二维数组进行5130次T检验，是否需要进行FDR校正，如果需要，怎么设置参数？

对5130个T检验进行FDR校正是很常见的情况，以控制误差率。FDR校正的目的是控制在多重比较问题中发生false positive（假阳性）的概率。在这种情况下，您可以使用Benjamini-Hochberg校正方法进行FDR校正。该方法的基本思想是将所有P值从小到大排序，然后计算每个P值对应的FDR阈值，如果某个P值小于其对应的FDR阈值，则拒绝原假设。

在R语言中，可以使用`p.adjust`函数来实现FDR校正。其中第一个参数为原始p值的向量，第二个参数为校正方法，可以选择`"fdr"`进行FDR校正。示例如下：

p_values <- c(0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1)
fdr_corrected_p <- p.adjust(p_values, method = "fdr")

在这个示例中，我们假设`p_values`是5130个T检验的p值向量，然后使用`p.adjust`函数进行FDR校正，得到校正后的p值向量`fdr_corrected_p`。

关于设置FDR校正的参数，一般来说，可以使用默认值。在R语言中，`p.adjust`函数的默认参数为`alpha = 0.05`，即期望的FDR阈值为0.05。如果您需要设置不同的FDR阈值，可以使用`qvalue`包中的`qvalue`函数。该函数可以计算出每个P值对应的q值（调整后的p值），并根据指定的FDR阈值选择拒绝原假设的P值。示例如下：

library(qvalue)
qobj <- qvalue(p_values)
qvalues <- qobj$qvalues
significant_p <- p_values[qvalues < 0.05]

在这个示例中，我们首先使用`qvalue`函数计算出每个P值对应的q值，然后选择q值小于0.05的P值作为拒绝原假设的P值。