{
  "id": "false-discovery-rate",
  "title": "错误发现率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "错误发现率是多重检验程序所拒绝的假设中，错误拒绝比例的期望值。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "FDR"
  ],
  "generated_at": "2026-10-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/false-discovery-rate/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/false-discovery-rate/",
      "json": "https://aiwiki.page/en/false-discovery-rate.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "错误发现率（FDR）是统计学中的一种误差准则，用于进行多重假设检验时。它衡量被拒绝的假设中，其原假设实际为真的比例的期望值。与限制至少出现一次错误拒绝的概率的误差准则不同，FDR 控制允许出现一些错误发现，同时限制发现集合中错误发现的平均比例。Yoav Benjamini 和 Yosef Hochberg 于 1995 年提出了这一准则及一种广泛使用的控制方法。(academic.oup.com)"
    },
    {
      "heading": "定义",
      "text": "考虑由 \\(m\\) 个假设组成的一组。定义：\n\n- \\(m_0\\) 为真的原假设数量；\n- \\(R\\) 为被拒绝的假设总数；\n- \\(V\\) 为被拒绝的真原假设数量。\n\n错误拒绝属于第一类错误。数值 \\(R-V\\) 表示对错误原假设的正确拒绝数量。由于拒绝决策取决于抽样数据，\\(R\\) 和 \\(V\\) 是随机变量。错误发现比例（FDP）定义为\n\n\\[\\operatorname{FDP}=\\frac{V}{\\max(R,1)}.\\]\n\n因此，发生发现时 FDP 等于 \\(V/R\\)；当 \\(R=0\\) 时，则定义为零。FDR 是其期望值：\n\n\\[\\operatorname{FDR} =\\mathbb{E}\\!\\left[\\frac{V}{\\max(R,1)}\\right].\\]\n\n如果对其假设所涵盖的每一种数据生成分布，某程序都满足 \\(\\operatorname{FDR}\\leq q\\)，则称该程序将 FDR 控制在目标水平 \\(q\\)。FDP 描述某一次实际得到的发现集合中的错误；FDR 则描述该程序在重复抽样下的平均表现。(arxiv.org)\n\n特别地，一般而言，\n\n\\[\\mathbb{E}\\!\\left[\\frac{V}{\\max(R,1)}\\right] \\neq \\frac{\\mathbb{E}[V]}{\\mathbb{E}[R]}\\]\n\n随机比值的期望通常不能用期望之比替代。(genomics.princeton.edu)"
    },
    {
      "heading": "与其他误差准则的比较",
      "text": "族错误率（FWER）定义为\n\n\\[\\operatorname{FWER}=\\Pr(V\\geq 1),\\]\n\n即至少出现一次错误拒绝的概率。由于错误发现比例不大于“发生错误拒绝”这一事件的指示函数，\n\n\\[\\operatorname{FDR}\\leq\\operatorname{FWER}.\\]\n\n因此，控制 FWER 也会以相同水平控制 FDR，但反过来通常不成立。在全局原假设下，即所有 \\(m\\) 个原假设都为真时，每项发现都是错误的：只要 \\(R>0\\)，FDP 就为一。在这一特殊情况下，FDR 与 FWER 相等。(academic.oup.com)\n\n邦费罗尼校正通过将每个假设的检验显著性水平设为 \\(q/m\\) 来控制 FWER。FDR 程序使用较宽松的误差准则，因此可能具有更高的统计功效，尤其是在许多假设为假时。这种差异在于所控制的误差类型，并不意味着所有 FDR 程序都一定优于所有 FWER 程序。(stat.ethz.ch)\n\nFDR 也不同于单项检验的假阳性率。单项检验的假阳性率关注原假设为真时拒绝该假设的条件概率；FDR 关注被选中拒绝的假设中，真原假设所占的比例。两者的分母和含义都不同。(genomics.princeton.edu)"
    },
    {
      "heading": "本杰明尼—霍赫伯格程序",
      "text": "本杰明尼—霍赫伯格程序（BH）是一种基于P值的逐步递进程序。对于目标 FDR 水平 \\(q\\)，将 \\(m\\) 个 P 值按顺序排列：\n\n\\[p_{(1)}\\leq p_{(2)}\\leq\\cdots\\leq p_{(m)}.\\]\n\n求\n\n\\[k=\\max\\left\\{i:p_{(i)}\\leq\\frac{i}{m}q\\right\\}.\\]\n\n如果集合为空，则不拒绝任何假设；否则，拒绝与 \\(p_{(1)},\\ldots,p_{(k)}\\) 对应的假设。该程序选择满足条件的最大秩，而不是在第一次比较不满足条件时停止。(stat.ethz.ch)\n\n数值示例\n\n假设五个排序后的 P 值为\n\n\\[0.001,\\quad 0.009,\\quad 0.020,\\quad 0.041,\\quad 0.200.\\]\n\n当 \\(q=0.05\\) 时，BH 的比较阈值为\n\n\\[0.010,\\quad 0.020,\\quad 0.030,\\quad 0.040,\\quad 0.050.\\]\n\n满足条件的最大秩为三，因此拒绝前三个假设。若在相同数值水平下应用邦费罗尼校正，则只会拒绝前两个假设。这两种计算都无法确定被拒绝的假设中是否有错误发现，也无法确定具体哪些是假发现。\n\n假设与保证\n\n对于真原假设，有效 P 值满足\n\n\\[\\Pr(P_i\\leq t)\\leq t,\\qquad 0\\leq t\\leq1.\\]\n\n这类 P 值称为超均匀：小值出现的频率不会高于服从均匀分布时的频率。在适当的统计独立性假设下，BH 满足\n\n\\[\\operatorname{FDR}\\leq q\\frac{m_0}{m}\\leq q.\\]\n\n当原假设对应的 P 值相互独立、严格服从均匀分布，且独立于非原假设对应的 P 值时，第一个不等式取等号。(arxiv.org)\n\nBenjamini 和 Daniel Yekutieli 于 2001 年证明，在对某个子集的正回归依赖（PRDS）条件下，BH 也能控制 FDR。这是一项涉及真原假设的技术条件。PRDS 并不等同于正的成对相关关系；仅笼统声称检验之间存在正相关，并不足以保证满足这一条件。(math.tau.ac.il)"
    },
    {
      "heading": "依赖关系与本杰明尼—耶库捷利程序",
      "text": "本杰明尼—耶库捷利程序（BY）对 BH 进行修改，以适用于有效 P 值之间存在任意依赖关系的情况。定义调和和\n\n\\[H_m=\\sum_{j=1}^{m}\\frac{1}{j}.\\]\n\nBY 使用如下阈值\n\n\\[p_{(i)}\\leq\\frac{i q}{mH_m}\\]\n\n其余步骤与 BH 的逐步递进规则相同。等价地，它相当于以目标水平 \\(q/H_m\\) 应用 BH。该程序无需独立性或 PRDS 条件即可控制 FDR，但较小的阈值可能会显著减少发现数量。(math.tau.ac.il)\n\n因此，依赖结构是 FDR 程序数学定义的一部分，而不只是实现细节。仅有有效的单个 P 值，并不能保证标准 BH 程序在所有可能的联合分布下都满足其控制保证。(math.tau.ac.il)"
    },
    {
      "heading": "校正 P 值与 Q 值",
      "text": "BH 的判定可以用校正 P 值表示。按顺序排列后，校正值为\n\n\\[\\widetilde p_{(i)} = \\min\\left\\{ 1,\\, \\min_{j\\geq i}\\frac{m p_{(j)}}{j} \\right\\}.\\]\n\n拒绝满足 \\(\\widetilde p_i\\leq q\\) 的假设，就会得到 BH 的发现集合。这里的累积最小值步骤很重要：如果只将每个 P 值乘以 \\(m/i\\)，而不再进行这一步，通常无法得到正确的校正值。(stat.ethz.ch)\n\nQ值是另一个相关量，由 John Storey 在错误发现率研究中提出。在其原始表述中，Q值是一个与包含观测统计量的拒绝域相关联的最小正错误发现率。它描述所选集合的错误率，而不是某个单独假设为真的概率。尽管 BH 校正 P 值有时也称为 Q 值，但 BH 校正与 Storey 基于估计的 Q 值并非同一种构造。(rss.onlinelibrary.wiley.com)\n\n自适应方法试图通过估计真原假设所占比例来提高统计功效：\n\n\\[\\pi_0=\\frac{m_0}{m}.\\]\n\n一种估计量使用调节参数 \\(\\lambda\\)：\n\n\\[\\widehat{\\pi}_0(\\lambda) = \\frac{\\#\\{i:p_i>\\lambda\\}}{m(1-\\lambda)}.\\]\n\n其依据是：服从均匀分布的原假设 P 值大于 \\(\\lambda\\) 的概率为 \\(1-\\lambda\\)。估计 \\(\\pi_0\\)、选择 \\(\\lambda\\) 和选择拒绝阈值都会带来额外的统计问题；简单地将任意估计值代入 BH，并不能自动保留有限样本下的 FDR 控制。(genomics.princeton.edu)"
    },
    {
      "heading": "正错误发现率与局部错误发现率",
      "text": "正错误发现率定义为\n\n\\[\\operatorname{pFDR} = \\mathbb{E}\\!\\left[\\frac{V}{R}\\,\\middle|\\,R>0\\right],\\]\n\n前提是 \\(\\Pr(R>0)>0\\)。它不包括没有任何发现的情况。在将零发现时的错误发现比例定义为零后，\n\n\\[\\operatorname{FDR} = \\operatorname{pFDR}\\Pr(R>0).\\]\n\n因此，当某程序很少拒绝任何假设时，FDR 与 pFDR 可能相差很大。(genomics.princeton.edu)\n\n局部错误发现率是另一种基于模型的量。对于检验统计量 \\(Z\\) 的双成分混合模型，\n\n\\[f(z)=\\pi_0 f_0(z)+(1-\\pi_0)f_1(z),\\]\n\n其中 \\(f_0\\) 和 \\(f_1\\) 分别是原假设和备择假设的概率密度函数。根据贝叶斯定理，\n\n\\[\\operatorname{lfdr}(z)=\\frac{\\pi_0 f_0(z)}{f(z)}.\\]\n\n这是在给定统计量 \\(z\\) 的条件下，该模型将观测归于原假设的后验概率。与集合层面的频率学派 FDR 不同，局部错误发现率针对单个观测，并取决于混合模型及其估计。(stat.cmu.edu)"
    },
    {
      "heading": "应用与解释上的局限",
      "text": "FDR 方法尤其适用于大规模发现研究。例如，基因表达实验可能会检验数千个基因在不同条件下是否存在差异。基于 FDR 的分析能够描述最终候选集合中的错误发现比例的期望值，同时保留比更严格的族错误准则可能允许的更多发现。(pmc.ncbi.nlm.nih.gov)\n\n“发现”的含义仍取决于被检验的假设。拒绝原假设并不能证明效应量很大、具有实际重要性，或存在因果关系。在大规模检验中，精确原假设与科学上不重要的效应之间的区别，也会影响对发现的解释。(stat.cmu.edu)\n\n最后，FDR 控制在 \\(q=0.05\\) 并不保证某项具体研究中的发现最多有 5% 是错误的。它控制的是比例的期望值，而实际得到的 FDP 可能在不同研究之间有所变化。它也不意味着每项发现都有 5% 的错误概率。该保证适用于指定的程序及其假设；观测到的发现集合本身，并不能直接测出其中未知的错误比例。(genomics.princeton.edu)"
    }
  ],
  "links": [
    "statistics",
    "multiple-testing",
    "null-hypothesis",
    "type-i-and-type-ii-errors",
    "random-variable",
    "expected-value",
    "probability",
    "bonferroni-correction",
    "significance-level",
    "statistical-power",
    "p-value",
    "uniform-distribution",
    "statistical-independence",
    "correlation",
    "probability-density-function",
    "bayes-theorem",
    "posterior-distribution",
    "gene-expression",
    "gene",
    "effect-size",
    "causation"
  ],
  "sources": [
    {
      "title": "Elementary proofs of several results on false discovery rate",
      "url": "https://arxiv.org/abs/2201.09350"
    },
    {
      "title": "The Control of the False Discovery Rate in Multiple Testing under Dependency",
      "url": "https://www.math.tau.ac.il/~ybenja/depApr27.pdf"
    },
    {
      "title": "R: Adjust P-values for Multiple Comparisons",
      "url": "https://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.html"
    },
    {
      "title": "Benjamini-Hochberg Procedure with the Simulator",
      "url": "https://stat.ethz.ch/CRAN/web/packages/simulator/vignettes/fdr.html"
    },
    {
      "title": "A direct approach to false discovery rates",
      "url": "https://genomics.princeton.edu/storeylab/papers/original-directfdr.pdf"
    },
    {
      "title": "Statistical significance for genomewide studies",
      "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC170937/"
    },
    {
      "title": "Statistical significance for genomewide studies",
      "url": "https://genomics.princeton.edu/storeylab/papers/Storey_Tibs_PNAS_2003.pdf"
    },
    {
      "title": "Large-Scale Simultaneous Hypothesis Testing: The Choice of a Null Hypothesis",
      "url": "https://stat.cmu.edu/~jiashun/Teaching/F08STAT756/Lectures/Efron.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}