Prism提供了三种控制FDR的算法选择。这三种算法的工作方式相似。

1.每次比较时，计算一个P值。

2.将P值从低到高排序。

3.从最大的P值开始。

4.计算最大P值的阈值。该阈值取决于观察到的P值数量。就Benjamini、Krieger和Yekutieli的方法而言，阈值还取决于该方法所提供的真实零假设的数量估计。

5.如果P值小于阈值，则所有P值均标记为发现结果，且您的工作就此完成。否则，请继续。

6.然后继续处理第二大P值。

7.计算第二大P值的阈值。该阈值将小于最大P值的阈值。计算阈值（见下文）取决于P值的秩、P值的数量以及（Benjamini、Krieger和Yekutieli的方法）对真实零假设数量的估计（按方法计算；无需考虑）。

8.如果P值小于阈值，则P值和所有较小的值均标记为发现结果，且您的工作就此完成。否则请继续。

9.继续处理下一个P较低值。

10.计算该秩的阈值。它将小于之前的阈值。

11.如果P值小于阈值，则P值和所有较小的值均标记为发现结果，且您的工作就此完成。否则，重复步骤9 - 10，直至完成。

这三种方法的区别在于其计算阈值的方式。下表给出了详细信息，其中，Q是期望的错误发现率（以百分比表示），N是集合中P值的数量，Ntrue是估计为真的零假设数量（下文第二种方法的一部分）。使q等于Q/100。这会将您输入的百分比值转换为分数。

注：

•将变量q定义为Q/100，其中Q是您输入的期望错误发现率（以百分比表示）。

•对于最小值与最大值之间的P值阈值，由这些极值之间的线性插值确定。

•阈值将以分数（而非百分比）的形式计算，以与P值进行比较。

该图显示了分析20个P值（N = 20）的阈值，其中Q = 5%和Ntrue = 12（根据数据通过BKY方法计算，仅适用于红线）。可以看出，Benjamini、Krieger和Yekuteili（红色）两阶段线性递升法的阈值最大，因此检验力最大，Benjamini&Yekutieli（绿色）校正方法的检验力最小。此外，您还可以看到，当计算最大P值的阈值时，这些方法的差异最大，而对于较小的P值，这些方法几乎一致。

参考文献

 

1.Benjamini，Y.和Hochberg，Y。控制错误发现率：一种实用而有效的多重检验方法。《皇家统计学会杂志》。系列B（方法学）289 - 300（1995）。

2.Benjamini，Y.、Krieger，A. M.和Yekutieli，D.。控制错误发现率的自适应线性递升过程。《Biometrika》93，491 - 507（2006）。我们使用本文第6节中定义的方法，即两阶段线性递升程序。

3.Benjamini，Y.和Yekutieli，D.（2001）。依赖性下多重检验中的错误发现率控制。《统计年鉴》，1165 - 1188。