1.创建列表

从“欢迎或新建表格”对话框中，选择“列”选项卡。

2.输入P值

将其他地方计得的P值输入A列中。

每个值必须为P值（介于0.0和1.0之间）。不可输入“＜0.0001”或“ns”或“**”。输入的每个P值必须为十进制小数。

或者，在每个P值旁边输入一个列标题，以识别相应的比较。这将使结果更容易理解。如果不输入行标题，Prism将使用原始行号来标记结果。

该分析通常与数百或数千个P值一起使用，但能以任意数量完成。

3.选择分析

点击“分析”，查看列分析列表，然后选择分析一系列P值。

 

选择两种常用方法之一：控制错误发现率（FDR）或控制比较系列的I型错误率。然后选择希望Prism使用的实际方法。

控制错误发现率（FDR）

选择三种方法之一：决定哪些P值小到足以可将其标记为“发现”。我们推荐Benjamini、Krieger和Yekutieli（1）的自适应法，因为该方法具有更大的检验力。Benjamini和Hochberg（2）最初的FDR法更广为人知，但检验力较小。Benjamini和Yekutieli的方法做的假设较少，但检验力也较小。

同时设定Q值，其目的是将不超过标记为发现的Q%比较视为错误发现（假阳性）。输入百分比，而非小数。如果希望最多5%的发现是错误的，则输入“5”，而非“0.05”，也不是“5%”。实际上并不存在标准值。如果输入一个较大值，则更多的比较会被标记为发现，但更多的这些发现将为错误发现。

统计学显著性（对照比较族的I型错误率）

选择Prism如何修正多重比较。我们推荐使用Holm - Šídák法，因为该方法的检验力最大。替代方法为Bonferroni - Dunn或者Bonferroni - Šídák。我们称为 “Bonferroni - Dunn”的方式 通常简称为 “Bonferroni”。我们称为“Bonferroni - Šídák”的方式通常简称为“Šídák”。这两种方法十分相似。Bonferroni - Šídák法的检验力稍大，但人们对其了解并不多。

设置适用于整个P值族的α值。然后，Prism决定哪些P值足够小，以便在修正多重比较后，将相关比较指定为“具有统计学显著性”。输入小数，而非百分比。如果希望零假设下5%的比较被错误标记为“显著”，则输入0.05而非5。如果输入一个较大值，则更多的比较会被标记为“显著”，但更多的这些发现将为假阳性。就统计学显著性而言，在进行一次或多次比较时，α通常设为0.05。但是当进行多次比较时，您可能希望输入一个更高的值。

绘图

如果您希望查看P值秩与P值的关系图，请选中该选项。这是可视化P值分布的常用方法。

参考文献

1.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）。

2.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）。

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。