定义 FDR

这里还是上一页的表格，预测了许多比较的结果。唯一不同的是，我把 "统计意义上的显著性"改成了 "发现"，因为错误发现率方法更常用 "发现"一词。

最上面一行代表的是零假设为真--治疗确实无效--的比较结果。然而，有些比较会错误地得出一个足够小的 P 值，因此该比较被视为 "发现"。

第二行显示的是确实存在差异的比较结果。即便如此，你也不会在每次实验中都得到一个小到足以将该发现称为 "发现"的 P 值。

A、B、C 和 D 代表比较的次数，因此 A+B+C+D 的总和等于你正在进行的比较的总次数。

当然，你只能在理论上制作这个表格。如果你收集了实际数据，你永远不知道零假设是否成立，所以无法将结果分配到第 1 行或第 2 行。

统计学显著性和多重比较的通常方法是提出问题：

如果零假设为真，得到 "统计学显著"结果的几率有多大？

错误发现率（FDR）回答了一个不同的问题：

如果比较是 "发现"，那么零假设为真的几率有多大？

在上表中，错误发现率是 A/(A+C) 的比率。

用 Q 控制 FDR

在处理多重比较时，您可能希望设定一个 FDR 值（通常称为 Q），然后在决定哪些比较是 "发现"，哪些不是时使用该值，目的是使实际错误发现率不高于 Q。

如果只做单项比较，不定义先验几率和使用贝叶斯推理就无法做到这一点。但如果你有很多比较，简单的方法就能让你近似控制 FDR。 您可以设置所需的 Q 值，FDR 方法将决定每个 P 值是否小到足以被认定为 "发现"。 如果将 Q 值设为 10%，则预计大约 90%的发现（从长远来看）会真正反映实际差异，而假阳性不会超过 10%。换句话说，您期望 A/(A+C) 等于 10%（您设定的 Q 值）。

Q 值或调整后的 P 值

有两种方法来考虑错误发现率。

•您输入一个 Q 值（注意大写字母，即期望的错误发现率），然后程序会根据该定义告诉您哪些比较是发现，哪些不是。在 Prism 中，您输入的 Q 值是一个百分比。

•对于每次比较，程序都会计算出一个 Q 值（注意小写）。该值也称为调整后的 P 值。考虑该值的方法如下。如果您将 Q 值设置为该值，那么您现在看到的对比结果将处于发现与否的边缘。Prism 将 Q 值报告为十进制分数。