Prism允许您输入在别处计算得到的一组P值，并判断那些P值足够低，值得进一步研究。

---

关键概念：分析一组P值

• 我们使用Prism的目标一直是使基础生物统计学变得非常容易获取和简便。分析一组P值实际上已经超出了“基础生物统计学”的范畴。然而，这些概念并非都那么复杂。
• 将在别处计算得到的一组P值输入到Prism列数据表的A列中。
• 这种分析随后会确定哪些P值足够小，使得相应的比较值得进一步研究。
  

[size=14.6667px]

---

如何：分析一组P值

1. 创建列数据表(Column)

从“欢迎”或“新建数据表”对话框中，选择“列数据表(Column tab)”。

2. 输入P值

将在别处计算得到的P值输入到A列中。

每个值必须是一个P值(在0.0和1.0之间)。您不能输入“<0.0001”或“ns”或“***”。您输入的每个P值必须是十进制分数。

可选：在每个P值旁边输入列标题以标识相应的比较。这将使结果更易于理解。如果您不输入行标题，Prism将使用原始行号来标记结果。

这种分析通常用于数百或数千个P值，但也可以处理任意数量的P值。

3. 选择分析

点击“分析”，在“列分析”列表中，选择“分析一组P值”。

选择两种通用方法之一：控制错误发现率(FDR – False Discovery Rate)或控制族比较的I型错误率(Type I error rate for the family of comparisons)。然后选择您希望Prism使用的实际方法。

控制错误发现率(FDR)

选择三种方法之一来决定哪些P值小到足以标记为“发现”。我们推荐自适应方法，即Benjamini、Krieger和Yekutieli (1)的方法，因为它更具效力。原始的FDR方法，即Benjamini和Hochberg(2)的方法更为人熟知，但效力较低。Benjamini和Yekutieli的方法假设较少，但效力更低。

还要设置Q值，目标是不超过Q%的标记为发现的比较是错误发现(假阳性)。输入一个百分比，而非分数。如果您希望最多5%的发现为假发现，输入“5”而非“0.05”，也不是“5%”。实际上没有标准值。如果您输入一个较大的值，更多的比较将被标记为发现，但更多这些将是错误发现。

统计显著性(控制族比较的I型错误率)

选择Prism如何矫正多重比较。我们推荐使用Holm-Šídák方法，它最具效力。替代方法是Bonferroni-Dunn或Bonferroni-Šídák方法。我们通常将Bonferroni-Dunn方法简称为Bonferroni；将Bonferroni-Šídák方法简称为Šídák，这两种方法非常相似。Bonferroni-Šídák方法稍具效力但不太为人理解。

设置适用于整个P值族的α值。Prism然后决定哪些P值小到足以在多重比较校正后被标记为“统计显著”。输入一个分数，而非百分比。如果您希望在零假设下5%的比较被错误地标记为“显著”，输入0.05而非5。如果您输入一个较大的值，更多的比较将被标记为“显著”，但更多这些将是假阳性。对于统计显著性，当进行一次或几次比较时，α通常设为0.05。但当进行许多比较时，您可能想要输入一个较高的值。

绘图

如果您想查看P值秩与P值的关系图，请勾选此选项。这是一种常见的可视化P值分布的方法。

参考文献

• Benjamini, Y., Krieger, A. M., & Yekutieli, D.(2006). 自适应线性逐步上升程序控制错误发现率。《生物统计学》93, 491-507。
• Benjamini, Y., &Hochberg, Y. (1995). 控制错误发现率：一种实用且有效的多重检验方法。《英国皇家统计学会会刊：B辑(方法学)》289-300。
• Benjamini, Y., & Yekutieli, D. (2001). 相依情形下多重检验中错误发现率的控制。《统计学年鉴》1165-1188。
  

---

解释结果：分析一组P值

统计显著性方法

调整后的P值

您在不同的行中输入每个P值，结果表的行数相同，每行有三个值：

• 第一列表明与该P值相关的比较在统计上是否显著，简单标记为“是”或“否”。
• 第二列显示您输入的P值。
• 第三列显示调整后的P值。如果您输入的α值恰好等于这个调整后的P值，那么这个比较可能恰好在被定义为“统计显著”的边界上。
  

显著结果

此表仅显示标记为“统计显著”的比较。该表是排序的，P值最小的在顶部。每行显示行标题(如果您没有输入标题，则为数据表中的行号)、您输入的P值和调整后的P值。

排序后的P值

只有当您选择绘制P值分布的图表时，才会创建此表。X值是P值的排名(1是最小的)，Y值是P值本身。该表本身并不十分有用，但用于自动创建图表。

阈值P值

结果页面上的一个浮动注释会告诉您阈值P值。如果P值小于这个阈值，相关比较的结果被认为是“显著的”。这与您输入的α值不同。例如，使用Bonferroni方法时，阈值等于α/K，其中K是您输入的P值的数量。

错误发现率方法

q值

您在不同行中输入每个P值，结果表的行数相同，每行有三个值：

• 第一列表明与该P值相关的比较是否被定义为“发现”，简单标记为“是”或“否”。
• 第二列显示您输入的P值。
• 第三列显示q值。如果输入的q值恰好等于这个q值，那么这个比较可能恰好在被定义为“发现”的边界上。
  

[size=14.6667px]

发现

此表仅显示标记为“发现”的比较。表格按P值从小到大排序。每行显示行标题(如果您没有输入标题，则为数据表中的行号)、您输入的P值和q值。

排序后的P值

只有当您选择绘制P值分布图时，才会创建此表。X值是P值的排名(1是最小的)，Y值是P值本身。该表本身并不十分有用，但用于自动创建图表。

阈值P值

结果页面上的一个浮动注释会告诉您阈值P值。如果P值小于这个阈值，相关比较的结果被认为是“发现”。这与您输入的α值不同。

估计真零假设的数量

如果您选择了Benjamini、Krieger和Yekutieli的自适应方法，Prism将在浮动注释中报告真零假设的估计数量。自适应方法首先估计这个值，然后在决定哪些P值小到足以被称为“发现”时使用它。