多重比较程序的选取与控制

1/1多重比较程序的选取与控制第一部分多重比较程序概览 2第二部分多重比较方法经典 4第三部分错误发现率（FDR）控制 8第四部分家族错误率（FWER）控制 10第五部分假阳性率（FPR）考虑 12第六部分多重比较中方差不齐处理 15第七部分协变量平衡的处理 19第八部分多重比较程序的选取原则 21

第一部分多重比较程序概览关键词关键要点多重比较程序概览

主题名称：家庭误差率

1.家庭误差率（FWER）表示对多个假设进行多个比较时至少进行一次错误拒绝的概率。

2.严格控制FWER可确保总体错误率保持在预设的α水平。

3.常用的FWER控制方法包括Bonferroni校正、Holm-Bonferroni校正和Sidak校正。

主题名称：个体误差率

多重比较程序概览

多重比较程序旨在控制同时进行多个假设检验时因多重比较而产生的第I类错误率（假阳性率）或总体第I类错误率（FWER）。FWER定义为在虚无假设为真时拒绝至少一个真虚无假设的概率。

#多重比较的类型

根据执行比较的方式，多重比较程序可分为以下类型：

*逐次检验：按照事先设定的顺序对假设进行检验，后续检验受前序检验结果的影响。

*总体控制程序：一次性控制整体FWER或第I类错误率。

*个体控制程序：逐个控制每个假设检验的第I类错误率。

*步骤控制程序：将检验顺序划分为步骤，控制每一步骤内的错误率。

#常用多重比较程序

以下是一些常用的多重比较程序：

逐次检验程序：

*Bonferroni校正

*Sidak校正

*Holm-Bonferroni法

*Hochberg法

总体控制程序：

*Dunnett测试

*Tukey检验

*Scheffé检验

个体控制程序：

*完全最小显著性差异(LSD)检验

*Dunnett-Hsu检验

*Ryan-Einot-Gabriel-Welsch(REGW)检验

*Student-Newman-Keuls(SNK)检验

步骤控制程序：

*Benjamini-Hochberg(BH)程序

*Benjamini-Yekutieli(BY)程序

*霍姆斯(Holmes)程序

*卢（Lu）程序

#程序选择

选择合适的多重比较程序取决于多种因素，包括：

*假设检验的类型：参数检验或非参数检验

*检验的数量：越多的检验，就需要越严格的控制

*组间关系：组之间是否成对比较或不平衡比较

*期望的误差率：FWER或个体第I类错误率

*统计功率：控制误差率的同时保持足够高的统计功率

#误差率控制

多重比较程序的目标是控制误差率，如FWER或个体第I类错误率。以下是一些常用的误差率控制方法：

FWER控制：

*Bonferroni校正

*Sidak校正

*Holm-Bonferroni法

*Hochberg法

个体第I类错误率控制：

*完全最小显著性差异(LSD)检验

*Dunnett-Hsu检验

*Ryan-Einot-Gabriel-Welsch(REGW)检验

*Student-Newman-Keuls(SNK)检验

在实践中，选择和使用多重比较程序需要考虑统计假设、检验数量、组间关系等因素，以确保有效控制误差率并获得合理的结论。第二部分多重比较方法经典关键词关键要点单步调整程序（StepwiseProcedures）

1.按顺序逐个比较处理，控制单个比较中的错误率；

2.对比结果依赖于先前的比较，可能产生累积错误；

3.适用于处理大量比较，特别是在比较数量未知的情况下。

逐对比较和事后比较程序（PairwiseandPostHocProcedures）

1.对所有成对可能的比较进行检验，控制多重比较中的错误率；

2.事后比较程序在总体检验显著后对特定组间差异进行检验；

3.适用于分组较少的比较，显著性结果容易解释。

调整后p值

1.对单步调整程序中每个p值进行调整，以控制错误率；

2.常用的调整方法包括Bonferroni校正、Holm-Sidak校正和Benjamini-Hochberg校正；

3.调整后p值反映了在进行多重比较后的实际显著性水平。

控制假阳性率（FalsePositiveRate，FPR）

1.通过设定一个FPR阈值，只报告低于该阈值的p值；

2.常用的FPR阈值包括0.05、0.01和0.001；

3.控制FPR有助于减少错误发现，提高结果的可靠性。

贝叶斯多重比较（BayesianMultipleComparisons）

1.基于贝叶斯统计原理，考虑先验信息和posterior概率；

2.为不同假设计算后验概率，并利用决策理论选择最可信的假设；

3.适用于处理复杂的数据结构和大量比较的情况。

机器学习和人工智能（ML/AI）在多重比较中的应用

1.ML/AI算法可用于预测p值，提高调整后p值的准确性；

2.ML/AI模型可识别隐藏模式和相关性，辅助制定更合理的多重比较策略；

3.ML/AI技术有望在未来进一步推动多重比较方法的创新和发展。多重比较方法经典

1.邦费罗尼校正

邦费罗尼校正是最简单、最保守的多重比较方法。它通过将每个两两比较的显著性水平除以比较的总数来控制整体错误率。

设α为所需的总体显著性水平，c为比较的数量。则每个两两比较的调整后显著性水平为：

α*=α/c

2.谢费法

谢费法比邦费罗尼校正稍微不保守。它通过使用正态分布和自由度为（c-1）的卡方分布来计算每个两两比较的调整后显著性水平。

设α为所需的总体显著性水平，c为比较的数量。则每个两两比较的调整后显著性水平为：

其中：

*Z(1-α/2)是标准正态分布中对应于（1-α/2）分位数的z分数

3.TukeyHSD

TukeyHSD（正直显著差异）法用于控制多个平均值之间的比较中整体错误率。它使用以下公式计算每个两两比较的调整后显著性水平：

α*=q(α,df,c)*√(MSE/n)

其中：

*q(α,df,c)是从Studentized范围分布中获得的临界值，其中α是所需的总体显著性水平，df是组间自由度，c是比较的数量

*MSE是均方误差

*n是每个组的样本量

4.Dunnett法

Dunnett法用于比较多个处理组与单一对照组的平均值。它使用以下公式计算每个比较的调整后显著性水平：

α*=α/(2*c)*t(1-α/2c,df)

其中：

*t(1-α/2c,df)是从t分布中获得的临界值，其中α是所需的总体显著性水平，c是比较的数量，df是组间自由度

5.Holm-Bonferroni法

Holm-Bonferroni法是一种渐进式多重比较方法，比邦费罗尼校正和谢费法更为强大。它通过按照从最小到最大的p值对比较进行排序，然后通过从允许的最大α*开始，按序检查每个p值是否小于调整后显著性水平来逐个执行比较。

6.Benjamini-Hochberg法

Benjamini-Hochberg法（错误发现率控制）是另一种渐进式多重比较方法。它通过按照从最小到最大的p值对比较进行排序，然后通过从允许的最大α*开始，按序检查每个q值（p值除以比较的数量）是否小于调整后显著性水平来逐个执行比较。

选择多重比较方法的考虑因素

选择多重比较方法时需要考虑以下因素：

*控制的错误率类型：整体错误率（控制I类错误的总体概率）或错误发现率（控制错误发现率）

*比较的数量：比较的数量越多，调整后显著性水平就越保守

*假设分布：所使用的比较方法对假设分布（正常、t分布或其他）的假设不同

*渐进性：渐进式方法比非渐进式方法更强大，但可能需要更多计算

*保守性：邦费罗尼校正是最保守的方法，而渐进式方法（如Benjamini-Hochberg法）是最宽松的方法第三部分错误发现率（FDR）控制关键词关键要点错误发现率（FDR）控制

1.FDR控制的基本原理：

FDR将错误发现率控制在预先设定的阈值以内，进而调整多重比较后的p值或置信区间，避免类型I错误（错误拒绝原假设）的比例过高。

2.FDR控制的方法：

FDR控制有多种方法，如Benjamini-Hochberg（BH）法、Benjamini-Yekutieli（BY）法和Storey'sq值法，这些方法从不同角度控制错误发现率。

3.FDR控制的优势：

FDR控制允许研究者对多个假设进行检验，同时控制错误发现率，提高了研究的灵敏度，避免过度保守。

FDR控制的应用

1.基因表达分析：

FDR控制广泛应用于基因表达分析中，通过比较处理组和对照组的基因表达差异，识别出具有统计学意义的差异基因。

2.单细胞测序：

单细胞测序产生的数据量庞大，FDR控制有助于识别出具有生物学意义的细胞亚群，提高单细胞分析的可靠性。

3.组学分析：

FDR控制在组学分析中也发挥着重要作用，例如蛋白质组学和代谢组学，控制多重比较后的p值，提高组学分析的准确性和可信度。错误发现率（FDR）控制

在多重比较中，错误发现率（FDR）表示错误地拒绝真原假设的预期比例。换句话说，FDR是错误拒绝的次数除以拒绝的总次数。

FDR控制是一种控制多重比较中错误发现率的统计方法。其目标是保持FDR处于可接受的水平，同时最大程度地提高发现真正差异的功率。

FDR控制方法

有多种FDR控制方法，包括：

*本杰米尼-霍赫伯格（BH）程序：最常用的FDR控制方法，基于贝内罗尼多元检验程序。其优点是控制FDR，即使测试不独立。

*Benjamini-Yekutieli程序：BH程序的改进版本，可以处理依赖测试。

*Storey过程：一种基于q值（错误发现率Q）的非参数FDR控制方法。

*Genovese-Storey程序：一种非参数FDR控制方法，适用于依赖测试。

FDR控制的步骤

使用FDR控制方法进行多重比较的一般步骤如下：

1.选择FDR控制方法：选择适合测试的FDR控制方法。

2.计算p值：为每个测试计算p值。

3.调整p值：使用FDR控制方法调整p值。

4.拒绝假设：拒绝调整p值小于或等于FDR临界值的零假设。

FDR控制的优点

FDR控制方法具有以下优点：

*严格控制错误发现：确保错误发现率保持在可接受的水平。

*提高发现率：与家庭错误率（FWER）控制方法相比，可以提高发现真正差异的功率。

*适用于依赖测试：某些方法（如BY程序）可以处理依赖测试。

FDR控制的缺点

FDR控制方法也有一些缺点：

*可能错过真正差异：由于FDR控制是基于期望值，因此可能会错过一些真正的差异，尤其是当FDR临界值较低时。

*p值依赖性：FDR控制方法受p值分布的影响，如果p值分布异常，可能会导致严重的FDR失控。

结论

错误发现率控制是一种强大的多重比较技术，可以通过控制错误发现率并提高发现率来帮助研究人员进行可靠的统计推断。研究人员在进行多重比较时应仔细考虑FDR控制方法的选择和应用，以确保结果的准确性和可靠性。第四部分家族错误率（FWER）控制关键词关键要点主题名称：全局错误率类型

1.第一步错误率（FWER）：控制所有类型I错误概率（错误地拒绝真假设）的概率。

2.家族错误率（FER）：控制至少犯一次类型I错误的概率。

主题名称：FWER控制方法

家族错误率（FWER）控制

家族错误率（FWER）是指在进行多重比较时，至少出现一次错误拒绝原假设（即第一类错误）的概率。对于涉及多个比较的统计分析，FWER控制至关重要，以确保避免得出不恰当的结论。

FWER控制程序

有多种程序可用于控制FWER。最常用的方法包括：

*Bonferroni校正：这是最简单的FWER控制方法，它将每个比较的显著性水平除以比较次数。例如，如果进行10次比较，则每个比较的显著性水平应为α/10。如果任何一个比较在经过校正的显著性水平上显着，则拒绝所有原假设。

*Šidák校正：这是一种比Bonferroni校正更严格的FWER控制方法。它使用以下公式计算每个比较的显著性水平：α*=1-(1-α)^(1/c)，其中α*是校正后的显著性水平，α是原始显著性水平，c是比较次数。

*Holm-Bonferroni校正：这是一种渐进式FWER控制方法，它按p值递减顺序排序比较。该方法从最小的p值开始，并依次对每个p值进行校正。每个比较的校正显著性水平为：α*=α/k，其中k是排序后的比较中大于或等于该比较的p值的数量。

选择FWER控制程序

选择合适的FWER控制程序取决于多个因素，包括：

*比较次数：Bonferroni校正对比较次数敏感，而Šidák和Holm-Bonferroni校正则不那么敏感。

*相关性：比较之间是否存在相关性。如果比较是正相关的，则FWER控制程序将更加严格。

*研究目标：研究人员是否愿意接受更高的FWER以增加发现显着结果的可能性。

FWER控制的优点

*保证家族错误率将小于或等于指定的水平。

*易于实施和解释。

*为多重比较提供了稳健的控制方法。

FWER控制的缺点

*可能导致保守的结论，尤其是在比较次数较多时。

*对于高度相关的比较，可能过于严格。

*忽略了比较之间的依赖关系。

结论

FWER控制对于多重比较至关重要，以避免错误拒绝原假设。有多种FWER控制程序可供选择，选择合适的程序取决于研究的具体情况。通过仔细权衡程序的优点和缺点，研究人员可以实施合适的FWER控制方法，确保统计推断的准确性。第五部分假阳性率（FPR）考虑关键词关键要点假阳性率（FPR）考虑

1.FPR的定义和含义：FPR是指在多重比较中拒绝真实零假设的概率。它与TypeI错误或虚假发现率（FDR）密切相关，并表示错误拒绝零假设的频率。

2.控制FPR的重要性：控制FPR对于避免在多重比较中做出错误结论至关重要。高FPR可能会导致错误地发现重要的差异或效应，从而损害研究结果的可靠性和有效性。

3.控制FPR的方法：有几种常用的方法来控制FPR，包括Bonferroni校正、Holm-Bonferroni方法和Benjamini-Hochberg程序。这些方法通过调整p值或设置临界值来减少错误拒绝的概率。

Bonferroni校正

1.原理：Bonferroni校正是最保守的FPR控制方法。它将每个比较的p值除以比较的总数，从而获得校正后的p值。

2.优点：Bonferroni校正适用于任何类型的多重比较，并且很容易实现。它提供了一种可靠且可信的方法来控制FPR。

3.缺点：Bonferroni校正可能过于保守，尤其是在进行大量比较时。这可能会导致错过真正的差异或效应。

Holm-Bonferroni方法

1.原理：Holm-Bonferroni方法是Bonferroni校正的一种改进，它按p值从小到大对比较进行排序。然后从最小p值开始，迭代地调整每个p值，使调整后的p值小于等于先前的p值。

2.优点：Holm-Bonferroni方法比Bonferroni校正略微宽松，同时提供了类似的FPR控制。

3.缺点：Holm-Bonferroni方法的计算比Bonferroni校正更复杂，可能难以实现。

Benjamini-Hochberg程序

1.原理：Benjamini-Hochberg程序（BHP）是一种FPR控制方法，它考虑了比较的依赖性。它允许接受一些虚假阳性，以增加发现真正差异或效应的可能性。

2.优点：BHP通常比Bonferroni校正和Holm-Bonferroni方法更强大。它特别适用于大量比较的情况，因为它可以提高发现率。

3.缺点：BHP可能不太保守，尤其是在比较高度依赖时。这可能會導致FPR實際上高於預期的水平。假阳性率（FPR）考虑

假阳性率（FPR），也称为I型错误率，是指在无显著差异的假设成立时错误拒绝原假设的概率。在多重比较程序中，FPR控制至关重要，因为它影响最终得出的结论的可靠性。

FPR控制方法

存在多种控制FPR的方法，每种方法都有其优缺点：

*Bonferroni校正：一种保守的方法，将总体alpha水平除以比较次数，从而获得每个比较的调整后alpha水平。它有效控制FPR，但可能导致统计功效较低。

*Holm-Bonferroni校正：一种渐进的方法，按p值递增顺序执行比较，仅当调整后alpha水平小于p值时才拒绝原假设。它比Bonferroni校正更有力，但仍然可能导致较低的功效。

*Sidak校正：另一种渐进方法，提供比Holm-Bonferroni更强大的控制，但计算更复杂。它适用于比较次数较少的情况。

*Dunnett多重比较：专为处理治疗组与对照组之间的比较而设计。它控制了同时拒绝所有对照组原假设的FPR，但假设方差相等。

*Scheffé多重比较：一种强大的方法，但计算成本高，仅适用于正交比较。它控制了同时拒绝所有对比的FPR。

*Tukey多重比较：一种灵活的方法，用于处理各种比较，包括事后比较。它控制了同时拒绝所有两两比较的FPR，但假设方差相等。

FPR目标

确定适当的FPR目标值取决于研究的特定目标和背景。常见的目标FPR值包括：

*0.05：通常在大多数科学研究中使用，提供合理的权衡控制和功效之间。

*0.01：用于更保守的研究，其中错误拒绝原假设的风险需要最小化。

*0.10：用于更探索性的研究，其中允许更高的错误拒绝率以确定潜在的重要差异。

选择FPR控制方法

选择最合适的FPR控制方法需要考虑以下因素：

*比较次数：比较次数越多，选择渐进方法（例如Holm-Bonferroni校正）更为重要。

*假设：如果假设方差相等，则Dunnett或Tukey多重比较等方法可能合适；如果方差不相同，则Scheffé多重比较可能更合适。

*统计功效：保守的方法（例如Bonferroni校正）将导致更低的统计功效，因此仅在必要时才应使用。

*研究目标：FPR目标值应与研究的特定目标和风险偏好相一致。

结论

FPR控制在多重比较程序中至关重要，因为它有助于防止错误拒绝原假设。通过仔细选择FPR控制方法并考虑相关因素，研究人员可以平衡控制和功效之间的权衡，从而做出可靠且有意义的结论。第六部分多重比较中方差不齐处理多重比较中方差不齐处理

在多重比较中，假设的方差齐性经常不成立，此时需要采取适当的方法来处理方差不齐的情况。有以下几种方法可供选择：

1.WelchT检验

WelchT检验是一种非参数检验，用于比较两组样本的均值，即使方差不齐。它基于对两组数据方差的估计值进行T检验。

公式：

```

t=(x̄₁-x̄₂)/sqrt(s₁²/n₁+s₂²/n₂)

```

其中：

*x̄₁、x̄₂：两组样本的均值

*s₁、s₂：两组样本的标准差

*n₁、n₂：两组样本的大小

2.Games-Howell检验

Games-Howell检验也是一种非参数检验，用于比较多组样本的均值，即使方差不齐。它基于对所有组数据方差的估计值进行方差分析，然后根据组数和样本大小调整T检验的临界值。

公式：

```

F=(MSbetween/MSwithin)*(Nh/(n-1))

```

其中：

*MSbetween：组间均方差

*MSwithin：组内均方差

*Nh：所有组的样本总数

*n：每个组的样本大小

3.TamhaneT2检验

TamhaneT2检验是一种参数检验，用于比较两组样本的均值，即使方差不齐。它基于方差分析的F检验，然后根据样本大小调整T检验的临界值。

公式：

```

T²=(x̄₁-x̄₂)/sqrt(s²*(1/n₁+1/n₂))*sqrt(2F(1-α,df1,df2))

```

其中：

*x̄₁、x̄₂：两组样本的均值

*s²：组间均方差

*n₁、n₂：两组样本的大小

*F(1-α,df1,df2)：自由度为df1和df2的F分布的上1-α分位数

4.Dunnett检验

Dunnett检验是一种参数检验，用于比较多个组的均值与一个对照组的均值，即使方差不齐。它基于方差分析的F检验，然后根据样本大小和组数调整T检验的临界值。

公式：

```

t=(x̄ᵢ-x̄₀)/sqrt(s²*(1/nᵢ+1/n₀))*sqrt(F(1-α,df1,df2))

```

其中：

*x̄ᵢ：第i组样本的均值

*x̄₀：对照组样本的均值

*s²：组间均方差

*nᵢ：第i组样本的大小

*n₀：对照组样本的大小

*F(1-α,df1,df2)：自由度为df1和df2的F分布的上1-α分位数

5.非参数替代方法

如果数据分布严重偏态或存在异常值，可以使用非参数替代方法，例如：

*Kruskal-WallisH检验：用于比较多个组的中位数

*Mann-WhitneyU检验：用于比较两组的中位数

选择合适的方法

选择最合适的方法取决于以下因素：

*数据分布（正态还是非正态）

*方差齐性程度

*组数

*样本大小

一般来说，如果方差不齐程度较小，则可以采用参数检验，如TamhaneT2检验或Dunnett检验。如果方差不齐程度较大，则应使用非参数检验，如WelchT检验或Kruskal-WallisH检验。第七部分协变量平衡的处理关键词关键要点【协变量平衡的处理】：

1.协变量平衡是指在统计分析中，不同处理组之间的参与者在人口统计学或其他相关特征方面的相似程度。

2.平衡协变量可以确保比较组之间具有相似的人口统计分布，从而最大限度地减少可能影响结果的混杂因素。

3.协变量平衡可以通过多种方法实现，包括随机分配、匹配或协变量调整。

【变量选择】：

协变量平衡的处理：多重比较程序的选取与控制

协变量平衡的含义

协变量平衡是指在组与组之间的多重比较中，控制组间差异不会因为其他相关因素（协变量）的不平衡而产生偏差。

协变量不平衡的影响

当协变量不平衡时，可能会导致以下问题：

*增加组间差异，导致错误的显着性水平。

*掩盖组间差异，导致漏检真实的效应。

*影响治疗效果的估计值。

协变量平衡处理方法

为了处理协变量不平衡，研究者可以使用以下方法：

1.前测平衡

*在随机分组之前，通过匹配或随机化等方法确保组间协变量平衡。

2.事后平衡

*在分组后，使用统计方法（如协方差分析或回归）调整组间协变量差异，使其达到平衡。

协方差分析（ANCOVA）

ANCOVA是一种事后平衡方法，通过将协变量作为协变量纳入统计模型中，来调整组间协变量差异。其原理是通过协变量的回归预测值来估计协变量对因变量的影响，从而消除协变量的偏差。

回归分析

回归分析也可以用于事后平衡，其原理是建立一个以协变量为自变量、因变量为因变量的回归模型。通过该模型，可以估计因变量中由协变量解释的部分，并从中去除协变量的影响。

多重比较程序的选取

当协变量平衡得到处理后，在进行多重比较时，需要根据协变量平衡处理方法选择合适的程序：

1.前测平衡

*如果协变量在分组前已达到平衡，则可以使用任何多重比较程序。

2.事后平衡使用ANCOVA

*使用ANCOVA时，应选择能控制ANCOVA模型中协变量效应的程序，如Bonferroni方法或Šidák方法。

3.事后平衡使用回归分析

*使用回归分析时，应选择能控制回归模型中协变量效应的程序，如Scheffé方法或Tukey-Kramer方法。

控制多重比较的错误率

对于所有多重比较程序，都需要设定一个总体错误率（α），以控制总体虚假显着率。

评估协变量平衡

在处理协变量不平衡后，应评估协变量平衡的改善情况。可以通过比较处理前后的协变量分布、组间差异、以及多重比较结果是否与期望一致来进行评估。

结论

通过适当地处理协变量平衡，研究者可以增强多重比较的可靠性，避免虚假显着率或漏检效应的风险。选择合适的协变量平衡处理方法和多重比较程序对于获得准确的统计推论至关重要。第八部分多重比较程序的选取原则关键词关键要点Bonferroni法

1.最严格的多重比较程序之一，控制家庭错误率(FWER)始终低于预先确定的α值。

2.对每一对比较进行独立检验，导致检验次数和总体α值的增加。

3.当检验次数较少时，Bonferroni法表现良好，但检验次数较多时，可能过于保守。

Sidak法

1.对于正交比较设计，Sidak法控制FWER小于预先确定的α值。

2.与Bonferroni法相比，Sidak法在检验次数较多时减少了总体α值，提高了灵敏度。

3.然而，Sidak法仅适用于正交比较设计，不适用于某些非正交设计。

Tukey-Kramer法

1.当组数较少（通常小于5组）时，Tukey-Kramer法控制FWER接近于预先确定的α值。

2.它使用逐个比较方法，允许对所有组进行多重比较。

3.与其他方法相比，Tukey-Kramer法可能不太保守，但在组数较少时表现良好。

Scheffé法

1.控制所有可能比较的FWER小于或等于预先确定的α值。

2.与Bonferroni法相比，Scheffé法在大样本量下更有效率。

3.但是，Scheffé法在小样本量下可能过于保守，并且计算量更大。

Holm-Bonferroni法

1.逐个检验假设，依据p值递增的顺序进行调整。

2.控制FWER始终低于或等于预先确定的α值。

3.比传统的Bonferroni法更有效率，保持了较高的灵敏度。

Hochberg法

1.与Holm-Bonferroni法类似，逐个检验假设，但调整临界值不同。

2.在早期比较中控制FWER，但在后期比较中允