1.零假设和p值dom
零假设：在随机条件下的分布。spa
p值：在零假设下，观测到某一特定实验结果的几率称为p值。事件
2.为何高通量实验中p值存在问题？ip
p值只对一次实验结果有效，若是是多重假设检验须要进行校订。ci
3.多重假设检验校订。it
邦弗朗尼校订：p值小于显著性阈值/n（在零假设中至少有一个的得分会大于观测值的几率为显著性阈值，即咱们有1-显著性阈值的几率能够肯定在零假设中不会出现比观测值大 的值。因此若是出现了比观测值大的值能够认为是随机偏差产生的。）（控制FWER）io
Benjamini-Hochberg过程：设总共有m个候选基因，每一个基因对应的p值从小到大排列分别是p(1),p(2),...,p(m),则若想控制fdr不能超过q，则只需找到最大的正整数 i，使得 p(i)<= (i*q)/m.而后，挑选对应p(1),p(2),...,p(i)的基因作为差别表达基因，这样就能从统计学上保证fdr不超过q。（控制FDR）test
q值：大于等于某一个得分能得到的最小FDR值im
摘：1) P-value 是 (在H0 = true的状况下)获得和试验数据同样极端(或更极端)的统计量的几率. 它不是H1发生的几率. 假定吃苹果的一组和不吃苹果的一组的差别为D, P-value=0.2的意思是, pure randomly (即H0=true)的状况下, 观察到和D同样或比D更大的差别的几率是20%.
2) p-value 的本质是控制PFR (false positive rate), hypothesis test 的目的是make decision. 传统上把小几率事件的几率定义为0.05或0.01, 但不老是这样. 主要根据研究目的. 在一次试验中(注意:是一次试验, 即single test), 0.05 或0.01的cutoff足够严格了(想象一下, 一个口袋有100个球, 95个白的, 5个红的, 只让你摸一次, 你能摸到红的可能性是多大?). 我刚才强调的是single test, 在multiple test中, 一般不用p-value, 而采用更加严格的q-value. 与p-value 不一样, q-value 控制的是FDR (false discovery rate).
3)举个例子.假若有一种诊断艾滋病的试剂, 试验验证其准确性为99%(每100次诊断就有一次false positive). 对于一个被检测的人(single test) 来讲, 这种准确性够了. 但对于医院 (multiple test) 来讲, 这种准确性远远不够, 由于每诊断10 000个个体, 就会有100我的被误诊为艾滋病.
4)总之, 若是你很care false positive, p-value cutoff 就要很低. 若是你很care false negative (就是"宁肯错杀一千, 也不能漏掉一个" 状况), p-value 能够适当放松到 0.1, 0.2 都是能够的.统计