定义FDR

这又是根据先前页面得到许多比较预测结果得到的表格。唯一不同的是，我将术语“统计学显著”改成“发现结果”，因为后者最常配合错误发现率方法一起使用。

最上面一行代表了比较结果，其中零假设为真 - 治疗确实不起作用。尽管如此，一些比较会错误产生较小P值，使得将比较视为“发现结果”。

第二行示出了真正存在差异的比较结果。即便如此，您也不会在每个实验中都得到一个足够小的P值，而称之为“发现结果”。

A、B、C和D代表比较的次数，因此A+B+C+D的和等于正在进行比较的总数。

当然，理论上您只能制作这张表。如果您收集实际数据，您将永远不知道零假设是否为真，因此无法将结果分配给第1行或第2行。

统计学显著和多重比较的常用方法提出了一个问题：

如果零假设为真，则获得“统计学显著”结果的可能性有多大？

错误发现率（FDR）回答了一个不同的问题：

如果一个比较是一个“发现结果”，则零假设为真的可能性有多大？

在表中，前述错误发现率为比率A/（A+C）。

使用Q控制FDR

在处理多重比较时，您可能希望设置一个FDR值（通常称为Q），然后使用该值来决定哪些比较为“发现结果”，哪些比较并非旨在使实际错误发现率低于Q。

如果您只是进行简单比较，则必须定义先验可能性并使用贝叶斯推理。但如需进行很多比较，仅使用简单的方法即可以大致控制FDR。您可以设置所需的Q值，FDR方法将决定每个P值是否足够小，以便指定为“发现结果”。如果您将Q设置为10%，预计约90%的发现（从长远来看）能够真实反映实际差异，而不超过10%的发现属于假阳性。换言之，您期望A/（A+C）等于10%（设置的Q值）。

q值或调整后P值

存在两种方法来考虑错误发现率。

•输入一个Q值（注意大写；期望的错误发现率），并使用该定义，程序将告诉您哪些比较为发现，哪些不是。在Prism中，您以百分比形式输入Q。

•对于每次比较，程序将计算一个q值（注意小写）。该值又称“调整后P值”。思考该值的方法如下所示。如果您将上文的Q值设为该值，则您现在看到的比较结果将处于是否属于发现的边界。Prism将以小数报告q。