Wilcoxon秩和检验-校正P值(自备)

发布时间:2024年01月09日

R语言 boxplot作图 图内展示校正后的P值(padj)_r语言 p值校正-CSDN博客?

FDR错误发现率-P值校正学习_fdr和p值的关系-CSDN博客

原理介绍:

Benjamini-Hochberg 方法介绍

有N次假设检验,对每一次假设检验都计算其P值,然后将计算出的P值按照从小到大的方式排序,接着从最小的P值开始,按照P(k)≤α*k/N进行比较,然后可以找到最大的第K个满足上述不等式的P值,最终可以认为这K个P值是显著的,其余的P值不显著。

Benjamini-Hochberg方法原理

我们将10000次假设检验分为2组:

  1. 9000次检验的零假设H0:真;
  2. 1000次检验的零假设H0:假。

然后,可以看到这两组检验的P值分布情况如下图所示:

H0为真时,P值均匀分布在0%-100%之间,为什么会是均匀分布呢?是因为在零假设H0条件下,P值有5%的可能性小于5%,有10%的可能性小于10%,有20%的可能性小于20%,以此类推,可以很直观理解P值的均匀分布。而上图之所以不是完全的均匀分布,是因为样本数量还不够大(当样本数量越大,P值也就越接近于均匀分布)。

H0为假时,P值就不再是均匀分布了,而是集中在0%附近,其他区间基本没有出现。这也比较好理解:H0是假,假设检验的功效越大,检验出H0为假的能力就越好,也就意味着P值越小,拒绝H0的证据越明显。

彻底理解Benjamini-Hochberg方法原理 - 知乎 (zhihu.com)


校正P值比较:?p.adjust函数

?p.adjust
p.adjust(p, method = p.adjust.methods, n = length(p))

p.adjust.methods
# c("holm", "hochberg", "hommel", "bonferroni", "BH", "BY",
#   "fdr", "none")
##示例:
set.seed(123)
#前25个元素的均值为0,后25个元素的均值为3
x <- rnorm(50, mean = c(rep(0, 25), rep(3, 25)))
#基于向量x计算了一个对应的概率值向量p,概率值乘以2
p <- 2*pnorm(sort(-abs(x)))

round(p, 3)#保留3位小数
round(p.adjust(p), 3)
round(p.adjust(p, "BH"), 3)


Data$Bonferroni =
      p.adjust(Data$Raw.p,
               method = "bonferroni")

Data$BH =
      p.adjust(Data$Raw.p,
               method = "BH")

Data$Holm =
      p.adjust(Data$ Raw.p,
               method = "holm")

Data$Hochberg =
      p.adjust(Data$ Raw.p,
               method = "hochberg")

Data$Hommel =
      p.adjust(Data$ Raw.p,
               method = "hommel")

Data$BY =
      p.adjust(Data$ Raw.p,
               method = "BY")

Data

详见:R语言多重比较示例:Bonferroni校正法和Benjamini & Hochberg法-腾讯云开发者社区-腾讯云 (tencent.com)

文章来源:https://blog.csdn.net/hx2024/article/details/135472214
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。