调整相关图中多个测试的显着性水平

是指在进行多个统计假设检验时，需要对显著性水平进行调整，以控制整体错误率。在实验或研究中，我们通常会进行多个假设检验，比如比较多个组别之间的差异或多个变量之间的相关性。然而，如果我们不对显著性水平进行调整，那么进行多次假设检验会增加出现假阳性（即错误拒绝原假设）的概率。

常用的显著性水平调整方法有Bonferroni校正、Holm校正、Benjamini-Hochberg过程等。这些方法都是为了控制整体错误率，即家族普通错误率（Familywise Error Rate, FWER）或者受控的错误发现率（False Discovery Rate, FDR）。

Bonferroni校正是最简单和最保守的显著性水平调整方法之一。它将原先的显著性水平（通常为0.05）除以进行假设检验的总次数，得到每个假设检验的新显著性水平。例如，如果进行了10次假设检验，那么Bonferroni校正后的显著性水平为0.05/10=0.005。

Holm校正是一种比Bonferroni校正稍微灵活一些的方法。它按照假设检验的p值从小到大排序，然后依次将原先的显著性水平除以剩余未检验的假设个数。如果某个假设的p值小于调整后的显著性水平，则拒绝原假设。

Benjamini-Hochberg过程是一种控制FDR的方法。它首先按照假设检验的p值从小到大排序，然后计算每个假设的新显著性水平，即p值乘以总假设个数除以该假设的排序位置。如果某个假设的新显著性水平小于预设的FDR阈值（通常为0.05），则拒绝原假设。

调整相关图中多个测试的显著性水平是为了避免多重比较问题，确保我们的统计推断具有较高的可靠性和准确性。在实际应用中，根据具体情况选择合适的显著性水平调整方法非常重要。

腾讯云相关产品和产品介绍链接地址：

• 腾讯云统计分析（https://cloud.tencent.com/product/ta）
• 腾讯云人工智能（https://cloud.tencent.com/product/ai）
• 腾讯云数据库（https://cloud.tencent.com/product/cdb）
• 腾讯云服务器（https://cloud.tencent.com/product/cvm）
• 腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
• 腾讯云音视频处理（https://cloud.tencent.com/product/mps）
• 腾讯云物联网（https://cloud.tencent.com/product/iotexplorer）
• 腾讯云移动开发（https://cloud.tencent.com/product/mobdev）
• 腾讯云对象存储（https://cloud.tencent.com/product/cos）
• 腾讯云区块链（https://cloud.tencent.com/product/baas）
• 腾讯云元宇宙（https://cloud.tencent.com/product/vr）