R:来自p.adjust(FDR)的意外结果

R: 来自p.adjust(FDR)的意外结果

在处理数据时，我们通常使用统计方法来评估数据集的质量和一致性。其中，FDR（False Discovery Rate）是一种广泛应用于假设检验中的方法，用于评估多组数据之间的差异。然而，在某些情况下，FDR可能会产生意外的结果，例如：

数据集中存在显著的偏差或方差，但FDR方法未能检测到。
数据集中存在一些异常值或离群值，导致FDR方法出现误判。
数据集中存在多个相关性较强的变量，导致FDR方法无法准确评估变量之间的关系。

为了解决这些问题，我们可以采用其他统计方法，如Bonferroni校正或Sidak校正，以更好地适应数据集的特点。此外，我们还可以使用数据可视化方法，如箱线图或散点图，来直观地观察数据集的特征和分布。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

数据科学22 | 统计推断-多重检验

可能出现的结果如下： ?=0 ?≠0 HYPOTHESES Claim ?=0 U T ?-R Claim ?≠0 V S R Claim ?0 ?-?0 ? ?...0为H0为真的次数，R为拒绝H0的次数。 I型错误或假阳性错误：?=0时判断结果为?≠0，发生V次。 II型错误或假阴性错误：?≠0时判断结果为?=0，发生T次。...次检验，控制FDR使 <?。计算每次检验的P值，结果按由小到大进行排序，…，，找到第?个P值，当 ≤?× 时，认为结果是阳性，此时第1到第?个P值对应的检验都认为结果是阳性的。...时，认为结果是阳性的，即把 FDR控制在?水平。...Bonferroni校正控制FWER： sum(p.adjust(pValues, method = "bonferroni") < 0.05) [1] 0 BH校正控制FDR： sum(p.adjust

9781 1

数据科学23 | 统计推断-多重检验

FDR (False Discovery Rate) ：所有主张“阳性”的次数中，错误主张（假阳性）所占的比例E[V/R]。目的：控制假阳性率FPR 如果正确计算了P值，所有P值小于?...常用的方法为BH（Benjaminiand Hochberg）校正。基本思路假设进行?次检验，希望控制FDR使E[V/R]<?。计算每次检验的P值，结果按由小到大进行排序P(1)，…，P(?)...时，认为是阳性的，此时第1到第?个P值对应的检验都认为是阳性的。进行10000次检验，控制E[V/R]<0.05，如果得到500个阳性结果，其中假阳性结果小于500×0.05=25个。...控制FDR：假设进行?次检验，计算每次检验的P值，结果按由小到大进行排序P(1)，…，P(?)，校正的P值=P(?)×(?/?)，此时校正的P值又称为Q值。回顾BH校正，?fdr=?×?/?。当Q?...Bonferroni校正控制FWER： sum(p.adjust(pValues, method = "bonferroni") < 0.05) [1] 0 BH校正控制FDR： sum(p.adjust

1.9K2 1

使用Clipper控制FDR应对高通量数据分析p值失真问题

和FDR 首先我们需亚了解差异表达分析的基本假设： H0:差别是由抽样误差所致； H1:差别不是由抽样误差所致，即并不来自同一总体 ###这里我用到哈佛大学统计的一个数据集 library(devtools...是原始的第 i 个 p 值，m 是的检验个数 sum( p.adjust(pvals, method="fdr") < 0.05 ) # 13 sum( p.adjust(pvals, method...="BH") < 0.05 ) # 13 从图中看到的一样 adj.pvals <- p.adjust(pvals, method="fdr") compare_list <- data.frame...，而是作为实验设计design的一部分），筛选出DEGs以及计算FDR和power 使用这些函数处理数据集获得相关结果接下来，介绍了两种不同的方法创建null dataset，并在此基础上开始引入Clipper...结合original和null的数据集来控制FDR，在使用Clipper前还需考虑其前提假设是否成立：来自两个数据集（original和null）的输入数据（这里的指，-log转换后的p值）对所有非DEGs

3231 0

关于 i=i++; 出乎意外的结果

今天和大家分享一道题 var i = 0; var a = i++; console.log(a); 答案，相信大家一眼就能看出，结果为 0 下面变化一下，代码如下 var i = 0; i =...i++; console.log(i); 结果多少呢？...揭晓答案，结果还是 0 ; Why ? Why ? Why ?...简单翻译：如果该运算符作为后置操作符，则返回它递增之前的值；如果该运算符作为前置操作符，则返回它递增之后的值所以，我们就知道， ++运算符会返回一个值，如果前置，则返回操作对象递增之后的值，如果后置...；++运算符的优先级都高于=号；区别在于，++返回的是递增之前的值，还是递增之后的值

7232 0

比较不同的对单细胞转录组数据寻找差异基因的方法

下面用一个测试数据来评价一下不同的算法的表现。处理同样的表达矩阵得到差异结果跟已知的差异结果进行比较看看overlap怎么样。...'ROCR') ## try http:// if https:// URLs are not supported source("https://bioconductor.org/biocLite.R"...(pVals, method = "fdr") sigDE <- names(pVals)[pVals < 0.05] Wilcox_pVals=pVals DE_Quality_rate(sigDE)...(pVals, method = "fdr") sigDE <- names(pVals)[pVals < 0.05] edgeR_pVals=pVals DE_Quality_rate(sigDE)....r1" | batch=="NA19239.r1"] bpsc_group = group[batch=="NA19101.r1" | batch=="NA19239.r1"] control_cells

8.8K11 1

🤩 scRNA-seq | 吐血整理的单细胞入门教程（差异分析）（十三）

本期我们介绍一下常用的一些差异分析方法，再比较各种方法的准确性。...，方便后面对不同方法的评估，TPs为真实的差异基因，TNs为真实的无差异基因。...(pVals, method = "fdr") ---- 4.2 准确性评估这里我们使用KS-test的方法得到了5095个差异基因。...8.1 BPSC library(BPSC) bpsc_data <- norm[,batch=="NA19101.r1" | batch=="NA19239.r1"] bpsc_group = group...[batch=="NA19101.r1" | batch=="NA19239.r1"] control_cells <- which(bpsc_group == "NA19101") design <

1.7K1 0

多重假设检验的三种常见方法计算

但是假如我们做了很多次实验，比如10000次，那么犯错误的次数可能能达到500次，我们要规避这么多的假阳性结果，就需要考虑多重假设检验。 1....Bonferroni法 Bonferroni是最粗暴简单的方法，当 P value ≤ α/N时，拒绝H0。理念是将阈值降低，尽量杜绝假阳性的存在，弊端就是可能会由于阈值太严格而导致阳性结果太少。...在R中调用Holm方法： p.adjust(c(0.003, 0.005, 0.012, 0.04, 0.058), method = 'holm') 输出：0.015 0.020 0.036 0.080...0.080 R中的结果是由于要直观的与0.05 (alpha) 比较，所以输出的值其实就是 p * (m - k + 1)；当出现第一个不显著的p值时（0.080），则后边的结果都是这个值了。...另外有时候会出现相同p值的情况，比如： p.adjust(c(0.003, 0.005, 0.012, 0.04, 0.058, 0.06), method = 'fdr') 输出： 0.015 0.015

2.2K2 0

组间差异分析：Metastats

这时候我们能想到的最简单的办法就是对所有物种按照分组进行显著性检验，这时候我们对于一个数据集进行了多重检验，则需要p值校正来获得更准确的结果。...当我们明白了他们的原理，实际上可以不用拘泥于两个工具本身，可以自己在R中选择合适的方法来进行分析。 p值校正假设检验是一种概率判断，因为小概率事件发生了所以我们拒绝假设。...若要使所有检验结果正确的概率大于0.95，则需要调整显著水平或更常用的p值校正，一个常见的方法是Bonferroni校正，其原理为在同一数据集做n个独立的假设检验，那么每一个检验的显著水平应该为只有一个检验时的...在R中p值校正可以使用p.adjust()函数，其使用方法如下所示： p.adjust(p, method=p.adjust.methods, n=length(p)) 其中p为显著性检验的结果（为数值向量...校正后的p值常称为q值，使用Benjamini-Hochberg（BH）方法校正的p值也称为错误发现率（false discovery rate，FDR）。

1.3K1 0

ggplot2画KEGG富集柱形图

在做项目分析的时候遇到过一个问题，就是有个老师想将好几张功能富集结果中的柱状图的横坐标的范围全部调整为一样的，一般画这个柱状图都是用Y叔的clusterprofiler包中的barplot函数对使用这个包的功能富集结果进行一键绘图...但是当我去查找这个函数的调整坐标的参数时： barplot.enrichResult {enrichplot} R Documentation barplot Description barplot...这个图与一般的函数barplot画出来的不一样的地方在于它的颜色，这张图里面的颜色反应的是fdr的大小，是一个连续值，ggplot2可以将连续值映射到到颜色上，横坐标是通路中感兴趣基因的个数。...下面用一套KEGG富集分析的结果来展示绘图的过程，下表展示的KEGG富集分析结果也是利用Y叔的clusterprofiler包得到的。 ?...p.adjust进行从小到大排序，保证最显著的通路在前 kegg <- kegg[order(kegg$p.adjust),] #这里画图只展示top10的通路 kegg <- kegg[1:10,]

5.8K3 0

R语言多重比较示例：Bonferroni校正法和Benjamini & Hochberg法

怎么做检验 R内置了一些方法来调整一系列p值，以控制多重比较谬误（Familywise error rate)或控制错误发现率。...方法BH（Benjamini-Hochberg，与R中的FDR相同）和BY（Benjamini & Yekutieli）控制错误发现率，这些方法试图控制错误发现的期望比例。...$BH = p.adjust(Data$Raw.p, method = "BH") Data$Holm = p.adjust(Data$ Raw.p...p.adjust(Data$ Raw.p, method = "BY") Data ?...p.adjust(Data$ Raw.p, method = "hommel") Data$BY = signif(p.adjust(Data$ Raw.p,

10K4 0

评估细胞因子活性、免疫细胞极化和细胞间通讯的利器：IREA 分析（二）

R来实现更快捷的分析呢—— 我们主要关注原文方法学的部分： IREA for cytokine response analysis User data are then compared with the...借助于ChatGPT，我来尝试画一下极化的雷达图看看，用的数据来自于➡慢性病毒性肝炎（二）中性粒细胞亚群细分策略导入我的数据现在我有一个seurat对象 load("....} else { return(wilcox.test(post_treated, pre_treated)$p.value) } }) # 处理 NA 值以避免 p.adjust...出错 p_values[is.na(p_values)] <- 1 fdr_p_values <- p.adjust(p_values, method = "fdr") return...祈祷IREA作者放一个更友好的使用渠道，R包之类的，让普罗大众更好地利用这个工具~(●ˇ∀ˇ●)

2291 0

多分组差异分析解决方案（1）循环T检验

is.na(y)]<-x return(y)} 经过这个代码，样本的表达量将会被转化到0-1之间的数值。...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue...同样的逻辑，分别求取subtype2和subtype3的差异基因 #=================================================================...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue

1.1K6 0

多重比较示例：Bonferroni校正法和Benjamini & Hochberg法

怎么做检验 R内置了一些方法来调整一系列p值，以控制多重比较谬误（Familywise error rate)或控制错误发现率。...方法BH（Benjamini-Hochberg，与R中的FDR相同）和BY（Benjamini & Yekutieli）控制错误发现率，这些方法试图控制错误发现的期望比例。...$BH = p.adjust(Data$Raw.p, method = "BH") Data$Holm = p.adjust(Data$ Raw.p...p.adjust(Data$ Raw.p, method = "hommel") Data$BY = signif(p.adjust(Data$ Raw.p,...---- 本文摘选《R语言多重比较示例：Bonferroni校正法和Benjamini & Hochberg法》

2.5K2 0

识别肿瘤功能失调子通路的方法ICDS

选择的改进率（improvement rate ）r避免了太大的subpathway区域（导致增加了冗余弱信息）。...在应用于生物网络的贪心启发式算法中，有证据表明参数r = 0.05是合适的 (Chuang et al., 2007)。...FDR<0.001作为显著subpathway的阈值。...=FALSE,method="fdr") #若p.adjust=TRUE，则返回校正后的P值（2）getExpp 对基因表达数据进行t-test profile<-GetExampleData("exp_data...#seed_p将p值小于seed_p的基因定义为种子基因 #min.size子通路的最小尺寸 #out.F是否输出子通路好像是网络的问题，小编下载不了数据，这里就不展示结果了 5.opt_subpath

5671 0

1.3K2 0

多分组差异分析解决方案（2）分批次差异基因后取交集

主要方法：如果不同分组代表着一定的趋势，例如group1，group2，group3的样本严重程度越来越重。...那么就可以求group1和group2的差异基因，group2和group3的差异基因，group1和group3的差异基因，最后把三次得到的上调差异基因和下调差异基因求交集。...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue...校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue

2.6K3 0

RNA-seq入门实战（七）：GSEA——基因集富集分析

官网地址：GSEA (gsea-msigdb.org) 基本原理：使用预定义的基因集（通常来自功能注释或先前实验的结果），将基因按照在两类样本中的差异表达程度排序，然后检验预先设定的基因集合是否在这个排序表的顶端或者底端富集...随后会针对NES计算假阳性率FDR。...Leading-edge subset：领头基因亚集对富集贡献最大的基因成员一般认为|NES|>1，p-value<0.05，FDR<0.25的通路是显著富集的。...|NES|值越大，FDR值就越小，说明分析的结果可信度越高。 ---- 2....下面选取KEGG通路的富集结果进行gseaplot绘图示范首先对富集结果进行条件筛选，一般认为|NES|>1，NOM pvalue<0.05，FDR（padj）<0.25的通路是显著富集的；还可以从结果中细分出上下调通路单独绘图

10.6K8 4

独立性t检验

计算Qvalue,多重假设检验 p.adjust.methods p <- apply(dta, 1, function(x){t.test(x[1:5],x[11:15])$p.value}) p.adjust...(p) p.adjust(p,'holm') p.adjust(p,'fdr') library(pheatmap) pheatmap(dta) p 二、利用 t 检验验证实验结果 #探索数据nrow...x$supp=="VC" & x$dose==2),]$len,x[(x$supp=="OJ" & x$dose==2),]$len,paired = F) 写在最后：有时间我们会努力更新的。...大家互动交流可以前去论坛，地址在下面，复制去浏览器即可访问，弥补下公众号没有留言功能的缺憾。原地址暂未启用（bioinfoer.com）。...sx.voiceclouds.cn 有些板块也可以预设为大家日常趣事的分享等，欢迎大家来提建议。

3521 0

数据分析：宏基因组数据的荟萃分析

以下是该函数进行荟萃分析的一般原理：数据整合：将不同研究的数据集整合在一起。这些数据集可能来自不同的样本、人群或环境条件，但都关注相似的生物学问题。...异质性评估：评估不同研究结果之间的异质性，即研究结果差异是否超出了随机误差的预期。这可以通过I²统计量或Q统计量来完成。...可视化结果采用森林图展示荟萃分析的结果，该结果包含效应值RE的95%置信区间和对应的P值。...数据分析：宏基因组数据的荟萃分析可视化结果采用森林图展示结果，该结果包含效应值RE的95%置信区间和对应的P值。...= p.adjust(as.numeric(`p-value`, method = "BH"))) %>% dplyr::select(Species, RE, SE_RE, CI_RE, FDR_Qvalue

861 0

用 FastQTL 进行 cis-eQTL 分析

为了解决这个问题，一般的我们可以分析每种表型的数千个置换数据集，以得到这些关联的零分布。接着就可以得到这些观察值来自零分布的可能性，从而得到一个调整后的 P 值。...从上图可知，结果和期望一致。校正 P 值这部分主要涉及从严格到宽松的 3 种校正方法。...d$bonferroni = p.adjust(d$bpval, method="bonferroni") # 取 <= 0.05 R> write.table(d[which(d$bonferroni...d$bh = p.adjust(d$bpval, method="fdr") # 取 FDR <= 0.1 R> write.table(d[which(d$bh d$st = qvalue(d$bpval)$qvalues # 取 FDR <= 0.1 R> write.table(d[which(d$st <= 0.10

6.2K2 1

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云