多重假设检验的FDR控制方法.docxVIP

多重假设检验的FDR控制方法

一、引言

在大数据与高通量技术快速发展的背景下，多个学科领域的研究都开始面临批量检验的问题。无论是生物学领域的组学靶点筛选、医学领域的生物标志物验证，还是心理学领域的多维度行为指标分析、经济学领域的政策效果评估，研究者往往需要同时对数十个乃至上万个假设进行检验。传统的单假设检验逻辑中，研究者通常设定固定的显著性水平来控制单个检验的假阳性概率，但当检验数量大幅增加时，原本的显著性标准会导致整体假阳性结果的数量远超可接受范围，甚至出现假阳性结果多于真阳性结果的情况，使得研究结论的可靠性大幅下降。为了解决多重检验场景下的假阳性控制问题，统计学家提出了多种错误率控制框架，其中错误发现率（FalseDiscoveryRate，简称FDR）控制方法因其兼顾统计效能与结果可靠性的特点，成为当前应用最广泛的多重检验校正方法之一。本文将从多重假设检验的核心困境出发，系统梳理FDR的核心概念与理论基础，介绍主流的FDR控制方法及其特点，并总结实际应用中的实践要点与常见误区，为各领域研究者合理使用FDR控制方法提供参考。

二、多重假设检验的核心困境与传统校正方法的局限

（一）多重假设检验的问题起源

单假设检验的核心逻辑是通过设定显著性水平，控制零假设为真时被错误拒绝的概率，也就是一类错误率。常见的显著性水平设定为百分之五，意味着如果零假设本身成立，研究者错误地认为其不成