Prism使用假发现率的概念作为我们定义异常值的方法的一部分（基于一堆值数值，或者在非线性回归期间进行）。另外，当分析在别处计算的一堆P值，并作为单因素、双因素或三因素ANOVA之后的一种多重比较方法时，Prism在计算t检验时，也可使用FDR方法。

关于假发现率方法的关键事实

•首先，该方法首先会为每次比较计算出一个P值。用作ANOVA的后续时，使用Fisher最小显著差异法进行比较（该方法本身并不能校正多重比较，但确实会将方差合并以增加自由度数值）。用于分析一组t检验时，首先单独计算每个t检验。在分析一组P值时，当然，您需要直接输入这些P值。

•目标的解释见此处。第一步是指定Q，即期望的假发现率（要么是0-1之间的分数，要么是0%-100%之间的百分比）。Prism会指出哪些P值低到足以称为“发现”，目标是确保不超过Q%的“发现”实际上属于假阳性。例如，如果Q设定为0.05，则目标将是假阳性“发现”不超过5%。

•Prism使您可选择三种算法之一用于决定哪些P值足够小，可作为“发现”。Benjamini和Hochberg方法是首先开发出来的方法，因此更为标准。Benjamani、Krieger和Yekutieli方法更有检验力，因此更受青睐。Benjamini和Yekutieli的方法作出更少的假设，但检验力更小。

•P值很小时，这种FDR方法不使用“统计学显著性”概念或短语，而是使用术语“发现”。（一些作者使用不同的术语。）

•FDR法不能计算每次比较所伴随的置信区间。

•Q（请注意大写）是您输入的值，作为预期的FDR。Prism还为每次比较计算q（小写）。该q值是Q值，如果该特定的比较恰好处于被分类为发现或不被分类为发现的边界。q值不仅取决于那一个比较，还取决于家族中的比较次数和P值的分布。

•Prism报告的q值是经FDR调整的p值，而非经FDR纠正的P值。两种存在微妙的区别。

•如果所有零假设均为真，您找到一个或多个发现的几率仅Q%（其中，Q是您选择的假发现率）。

•如果所有P值均小于您选择的Q值（澄清这样一个事实：P值是分数，Q是百分比），则所有比较均将标记为发现。（您选择Benjamini&Yekutieli的方法时，这条规则不正确）。

•如果所有P值均大于您选择的Q值，则不会将任何比较标记为发现。

•q值通常大于相应的P值。例外情况是针对具有最大P值的比较，可产生一个等于P值的q值。

•根据该比较的P值以及其他P值和比较次数来设置q值。您为输入的Q值不会影响q的计算。

•Prism中的算法控制FDR，而非pFDR（这里不做解释）。

•这些方法确定的q值往往比使用常见多重比较方法（Bonferroni等）计算的调整之后的P值更高（且永远不会更低）。

•伟大的非数学评论：Glickman, M. E.、Rao, S. R.和Schultz, M. R.（2014）。在健康研究中，假发现率控制是一种推荐的方法，用于替代Bonferroni-类型调整。《临床流行病学杂志》，67（8），850-857。