因为在文献中大家好像都在用FDR作为指标来判断。但是我的结果中FDR普遍为0.99且一样，而P值则小于0.05,这就让我比较迷茫？ 为什么会出现这种情况？是我在处理的哪个环节出错了吗？ 在这小发猫。由此，p值小于0.05被视为确定实验结果有效性的一大标准，依照p值来决定拒绝或是无法拒绝零假设。因为这种假设检定建立在零假设的基础上，所以被称为「零假设显著性等会说。

这就是我期望的答案，+ 1。我记得还读过有关Gordon Smyth调整后的p值的实现，并且不知道该引用谁，很高兴看到对此有一个“经典”的引用。—Firebug 1 我相信甚至存在更早的参考等我继续说。如您所见，我的p值也取幂，所以我不希望这种情况发生。我想保持我的benferroni调整后的pvalue的幂不变，但想将其与OR和CI一起添加。这是一个伪数据集： structure是什么。

根据biostathandbook,BH 很容易计算。deffdr(p_vals):fromscipy.statsimportrankdata ranked_p_values = rankdata(p_vals) fdr = p_vals * len(p_vals) / ran是什么。调整P值的最简单方法是使用保守的Bonferroni校正方法，即用原始P值乘以测试次数m(即向量P_values的长度)。使用p.adjust函数和'method'参数设置为"bonferroni",我们得到一个相同长度小发猫。

这就是为什么我想得到调整后的p-value。我对编码知之甚少，但我尝试过，但没有成功。我试过Python和R。我掌握的数据具有以下结构： ,CONTROL1,CONTROL2,CONTROL3,PROBLEM1,PRO是什么。就等着看如何在期中分析中“调整p值”的操作了。其实说期中分析是在调整p值，倒不如说期中分析是在调整α。原因很简单，既然用同一组数据进行多次检验增加了I类错误的机会(假阳性风是什么。

Q value:调整后p-value,衡量错误发现率的指标(False discovery rate,简称FDR)。即使用Q value的这个参数预估FDR。adjust p-value:调整后p-value值通常情况下，我们可以认为Q valu小发猫。均值差值的Tukey 同时检验水平的差值均值差值差值标准误95% 置信区间T 值调整的P 值配方2 - 配方1 -6.17 2.28 (-12.55, 0.22) -2.70 0.061 配方3 - 配方1 -1.75 后面会介绍。