多重假设检验_多重假设检验校正_多重假设检验方法

p.adjust {}统计        R文件
调整多重比较的P值
描述
给定一组的p值的，返回使用的几种方法之一调整的p值。
用法
p.adjust（对，方法= p.adjust.methods中，n =长度（P）） p.adjust.methods ＃C（“霍尔姆”，“霍赫贝格”，“霍梅尔”，“邦弗朗尼”，“BH”，“靠”， ＃“罗斯福”，“无”）
参数
p       
p值的数值向量（可能有NA多个）。任何其他ř被裹挟 as.numeric。
method       
修正方法
n       
比较数，必须至少为length(p); 只设置这个（非默认设置），当你知道你在做什么！
细节
的调整方法包括Bonferroni校正（"bonferroni"），其中的p值被比较的数量成倍增加。不太保守的更正也包括霍尔姆（1979年）（ "holm"），霍赫贝格（1988年）（ "hochberg"），霍梅尔（1988年）（ "hommel"）的Benjamini＆霍赫贝格（1995）（"BH"或其别名"fdr"），和的Benjamini＆Yekutieli（2001年）（ "BY"）分别。的直通选项（"none"）也包括在内。的方法集都包含在p.adjust.methods对于那些需要具有方法作为一个选项，并把它传递给方法的好处矢量p.adjust。
第一种方法是设计给家庭明智的错误率的强有力的控制。似乎没有理由使用未修改的Bonferroni校正，因为它是由霍尔姆的方法，这也是在任意假设有效支配。
霍赫贝格的霍梅尔及的方法是有效的，当假设测试是独立的，或者当它们是非负相关（萨卡，1998;萨卡和Chang，1997）。霍梅尔的方法比霍赫贝格的功能更强大，但不同的是，通常小，霍赫贝格p值更快的计算。
在"BH"（又名"fdr"）和 "BY"的Benjamini，霍赫贝格和Yekutieli的方法控制假阳性率，假的发现被拒绝的假说之间预期的比例。的假发现率比家庭逐误差率较不严格的条件，所以这些方法是比其他的更强大。
注意，可以设置n大于 length(p)这意味着没有观察到的p值被假定为大于对于所有观察到的p "bonferroni"和"holm"对于其它方法的方法和等于1。
值
校正p值的数值向量（长度相同的 p，具有名称从复制p）。
参考
的Benjamini，Y。和Hochberg指出，Y。（1995）。多个测试实用和强大的方法：控制错误发现率。杂志皇家统计学会系列 B，57，289-300。
的Benjamini，Y。和Yekutieli，D。（2001）。在多重检验的假阳性率的相关性下的控制， 统计年鉴 29，1165年至1188年。
霍尔姆，S.（1979）。一个简单的顺序报废的多个测试程序。斯堪的纳维亚杂志统计，6，65-70。
霍梅尔，G。（1988）。根据修改后的Bonferroni检验。在舞台一个多废品测试程序Biometrika， 75，383-386。
霍赫贝格，Y。（1988）。更清晰的邦弗朗尼程序意义的多个测试Biometrika，75，800-803。
谢弗，JP（1995年）。多重假设检验。心理学年鉴，46，561-576。（该地区的一个很好的回顾。）
萨卡，S.（1998）。有些有序MTP2随机变量的概率不等式：证明西门斯猜想。统计年鉴，26，494-504。
萨卡，S.，和张，CK（1997）。西门斯“的方法与正相关检验统计量多重假设检验。 杂志美国统计协会， 92，1601年至一六零八年。
赖特，SP（1992年）。调整后的P值同时进行推断。生物识别技术，48，一〇 〇五年至1013年。（解释了调整后的P值的方法。）
也可以看看
pairwise.*功能，如 pairwise.t.test。
例子
需要（图形） set.seed（123） 点ˉx< - RNORM（50，平均= C（REP（0,25），众议员（3,25））） P < - 2 * pnorm（排序（-abs（X））） 轮（第，3） 轮（p.adjust（对），3） 轮（p.adjust（对，“BH”），3） ##或全部一次（去掉了“罗斯福”的别名）： p.adjust.M < - p.adjust.methods [p.adjust.methods =“罗斯福”！] p.adj < - sapply（p.adjust.M，函数（甲基）p.adjust（P，甲基）） p.adj.60 < - sapply（p.adjust.M，函数（甲基）p.adjust（P，甲基，N = 60）） stopifnot（完全相同（p.adj [，“无”]，P），p.adj <= p.adj.60） 轮（p.adj，3） ##还是有点更好： noquote（适用（p.adj，2，format.pval，数字= 3）） ##以及图形： matplot（P，p.adj，ylab =“p.adjust（P，甲基）”，键入=“L”，ASP = 1，LTY = 1：6， 主要=“P-价值调整”） 传说（.7 .6 p.adjust.M，COL = 1：6，LTY = 1：6） ##可以与NA的工作： PN < - P; 在< - C（46,47）; PN [IN] < - NA pN.a < - sapply（p.adjust.M，函数（甲基）p.adjust（PN，甲基）） ##最小20 P值均会受到影响的NA的： 轮（（pN.a / p.adj）[1:20，]，4）