它解决什么问题
先读 p 值,再读 错误发现率(FDR)。
BH 是 Benjamini–Hochberg 的缩写,以两位提出者的姓氏命名。它接收同一组检验的 p 值,给出一套统一的拒绝规则。在适用条件下,这套规则控制 FDR。原始论文于 1995 年提出该方法,并给出独立检验情形下的控制证明。
“放在一起校正”指一起处理各项 p 值,不是把多个变量合成一个特征,也不是改变原来计算出的均值差或相关系数。
怎样判断哪些项通过
先确定总共 项检验,以及希望控制的 FDR 水平 。这里用 0.05 作教学例子,它是选择的阈值,不是唯一规定。
- 把 p 值从小到大排序,记为 。
- 第 项与阈值 比较。
- 找到满足 的最大位置 。
- 拒绝第 1 到第 项的零假设。如果没有任何位置满足,则没有通过项。
它是找最后一个满足条件的位置,再一起接受前面的拒绝决定;不是遇到第一项不满足就停止。
一个虚构的五项例子
假设排序后的 p 值如下,、:
| 排名 | p 值 | BH 比较阈值 | 本位置是否满足条件 |
|---|---|---|---|
| 1 | 0.012 | 0.010 | 否 |
| 2 | 0.018 | 0.020 | 是 |
| 3 | 0.040 | 0.030 | 否 |
| 4 | 0.200 | 0.040 | 否 |
| 5 | 0.800 | 0.050 | 否 |
最后一个满足条件的位置是第 2 项,因此第 1、2 项通过。即使第 1 项自己的 p 值大于 0.010,它仍包含在前两项的共同拒绝决定中。直接拿每一行的比较结果当最终结论,会把 BH 用错。
软件中的“BH 校正后 p 值”
软件也可以返回校正后 p 值,让我们直接与 比较。上例对应:
| 原始 p 值 | BH 校正后 p 值 |
|---|---|
| 0.012 | 0.045 |
| 0.018 | 0.045 |
| 0.040 | 约 0.0667 |
| 0.200 | 0.250 |
| 0.800 | 0.800 |
它不是简单对每一项算 就结束;还需要从后往前取累计最小值,并限制不超过 1,再恢复原来的项目顺序。按本例阈值比较,仍然只有前两项通过。
R 的标准用法是 p.adjust(p, method = 'BH')。官方文档将返回值称为校正后的 p 值。研究报告有时用 q 标记这些值,但“BH 校正后 p 值”和其他软件估计的 q-value 并非在所有上下文中都可直接互换,应明确算法。
使用时需要说明的条件
- 原始 p 值本身应来自有效的检验。BH 不会修复数据泄漏、错误模型或看过结果后挑分析的问题。
- 原始保证适用于独立检验,后续理论扩展到特定正依赖条件;不能因为变量之间“有相关”,就直接断言一定适用或一定失效。任意依赖情形需要另外考虑,例如 Benjamini–Yekutieli(BY)方法,通常更保守。
- 先定义检验集合。例如同时研究 5 个指标对同一结果的关联,可以说明把这 5 项作为一组的理由;如果还试了其他分组和模型,也需要交代,不能只保留好看的检验。
“没有通过”怎样表达
可以说:在指定的检验集合、方法和阈值下,这次没有结果达到拒绝标准。不能因此说已经证明所有关系都不存在。
反过来,通过也不是因果证明或复现保证。仍需结合效应量、不确定性、研究设计和新的数据来理解。
修订记录
- 2026-11-01:建立方法笔记,加入可手算的排序例子,关联 p 值与 FDR。AI 辅助整理;例子不对应真实研究结果。