P值效应量与多重检验 - spiralkernelle/bioinfo-wiki GitHub Wiki
P值效应量与多重检验
更新：2026-10-13；状态：可用；验证范围：定义与原始研究核对；2000人工特征校正已运行，BH与SciPy独立核验。
P值衡量指定零假设下的数据相容性，效应量描述方向与大小；大量检验需要额外控制错误。
P值不是哪种概率
在零假设及其他检验条件成立时，P值是获得至少与观测同样极端的统计量的概率。“极端”由预定检验定义。它不是零假设为真的概率、结果为假概率或复现概率。
P值还受样本量和误差影响。相同效应可以因样本量不同出现不同P；未显著不等于等价。报告差值、BETA、OR或log2 fold change的方向、单位和区间，见假设检验与双侧单侧选择。
单次错误与多重错误
检验1000个完全无效条目，各项检验有效且单次α=0.05时，误报数期望约50；不要求每次恰好50，也不要求条目独立才能计算这个期望。若进一步假设独立，至少一个误报的概率为 $1-(1-0.05)^{1000}$。
家族错误率FWER是至少一次一类错误的概率。Bonferroni以α/m作为单项门槛，在有效P值条件下不要求独立性；代价可能是较保守。检验家族m和过滤规则必须明示，不能只对筛过最小P的集合重新缩小m。
FDR和BH
实现假发现比例FDP为 $V/\max(R,1)$，V是假发现数、R是全部发现数；FDR是其期望。它不表示每个入选条目有相同的错误概率，也不保证每一次研究FDP均低于目标。
BH将m个有效P值排序，找满足 $p_{(i)}\le iq/m$ 的最大i，拒绝之前的条目。调整值通过从末尾向前取 $\min_{j\ge i}(mp_{(j)}/j)$ 并截到1，再还原原顺序。BH的标准保证有独立或相应正依赖条件；任意依赖下可考虑BY等方法，仍需确认P值本身有效。
调整后P值与区间
调整后P值与原始95%置信区间不必对应同一多重控制规则。逐项原始CI不等于同时区间。padj=NA也可能来自过滤、缺失或异常，不能默认为无效应。
合成数据贯通统计推断的2000个独立人工特征中，原始P规则选194个，BH选62个、其中3个为模拟假发现。单次FDP为3/62，不能代替对FDR方法性质的说明。教学BH实现已与SciPy核对。
保留原始P、调整值、方法、效应/区间、每特征样本量、检验家族和过滤规则。应用见GWAS从数据准备到结果解释、RNA-seq从计数矩阵到差异表达。