fdr在Excel中怎么做

在Excel中，可以使用以下步骤计算假发现率（False Discovery Rate, FDR）：

1. 首先，将所有的原始p值按从小到大的顺序排列。

2. 计算每个p值对应的阈值，即根据FDR控制的目标α（通常为0.05）和总体假阳性比例（或称为预期的假阳性发现率）m/m0（其中m表示总共的p值数量，m0表示实际为真的假设数量）计算。阈值计算公式为：阈值 = α * i / m，其中i表示当前p值的排序位置（从1开始）。

3. 找到第一个满足p值小于等于对应阈值的位置k。

4. 将所有排序位置小于等于k的p值都标记为通过FDR控制。

在Excel中，可以使用以下公式和函数进行计算：

1. 假设原始p值存储在A列，从A2开始，将第一行留空。

2. 在B2单元格中输入公式：`=RANK(A2,$A$2:$A$N)`，其中N是p值所在列的最后一行。

3. 在C2单元格中输入公式：`=B2/COUNT($A$2:$A$N)*α`，其中α是目标FDR控制水平。

4. 在D2单元格中输入公式：`=IF(A2<=C2,"Pass","Fail")`，用于判断是否通过FDR控制。

5. 将B2:D2的公式拖填至下方的所有对应单元格。

这样，D列中的结果就表示每个p值是否通过FDR控制。"Pass"表示通过FDR控制，"Fail"表示未通过FDR控制。

请注意，这种方法仅提供了一种在Excel中近似计算FDR的方式，实际上，FDR的计算可能需要更复杂的统计方法和工具。

相关问题

matlab做FDR矫正

FDR（False Discovery Rate）矫正是一种常用的多重比较校正方法，用于控制在多次假设检验中产生的假阳性率。在MATLAB中，您可以使用以下步骤执行FDR校正：

1. 首先，您需要进行多个假设检验并计算每个检验的p值。

2. 然后，将p值按升序排序，并计算每个p值的门槛值（或阈值）。这可以通过将p值乘以总测试数除以该p值的排名来完成。

3. 接下来，将门槛值与每个p值进行比较。如果p值小于或等于门槛值，则将其视为显着性发现，否则将其视为非显着性发现。

在MATLAB中，您可以使用fdr_bh函数执行FDR矫正。该函数需要一个包含未校正p值的向量，并返回一个包含经过FDR校正的调整p值的向量。

以下是一个使用fdr_bh函数执行FDR校正的示例代码：

% 生成一些随机的未校正p值
p_values = rand(1,100);

% 使用fdr_bh函数执行FDR校正
[~, adjusted_p_values] = fdr_bh(p_values);

% 打印未校正和已校正的p值
disp('未校正的p值:');
disp(p_values);
disp('已校正的p值:');
disp(adjusted_p_values);

请注意，fdr_bh函数还可以接受一个可选参数alpha，该参数指定期望的FDR水平。如果未指定此参数，则默认为0.05。

matlab做fdr的代码

MATLAB 中可以使用 `mafdr` 函数来进行 FDR 校正。下面是一个简单的示例代码：

% 生成一些假设检验的 p 值
p = rand(1, 100);

% 对 p 值进行 FDR 校正
[q, crit_p] = mafdr(p, 'BHFDR', true);

% 打印校正后的 p 值和拒绝阈值
disp('FDR-adjusted p-values:');
disp(q);
disp('FDR-corrected critical p-value:');
disp(crit_p);

在这个示例中，我们生成了一个长度为 100 的随机 p 值向量，然后使用 `mafdr` 函数对其进行 FDR 校正。校正后的 p 值和拒绝阈值分别存储在 `q` 和 `crit_p` 变量中，并通过 `disp` 函数进行输出。需要注意的是，在使用 `mafdr` 函数之前，需要确保 MATLAB 安装了 Statistics and Machine Learning Toolbox。