族错误率

• 数学定义：FWER = P(V ≥ 1)，其中 V 是错误拒绝的假设数量（假阳性数）。 ADFASDFAF23RQ23R

• 控制目标：确保在整个假设检验族（例如，测试多个基因、多个通路、多个脑区或多次时间点测量）中，做出任何错误发现的总体风险被限制在一个预设的显著性水平 α（通常为0.05）以下。

  ADSFAEQWER353423413434

• 应用场景：适用于确证性研究，或当假阳性的后果非常严重时，例如：临床关键终点的确认性分析、新药有效性的最终判定、需要高度可靠性的科学研究等。

  ADSFAEQWER353423413434

为了将FWER控制在α水平，必须对每个单独检验的p值进行比常规α水平严格得多的校正。

ADFASDFAF23RQ23R

1. 邦弗朗尼校正（Bonferroni correction）

• 方法：将显著性水平α除以检验的总次数 m，作为每个检验的新阈值。即，只有当单个检验的 p值 ≤ α / m 时，才拒绝该假设。

  ADFASDFAF23RQ23R

• 公式：调整后的阈值 = α / m （或等效地，将原始p值乘以 m 后与 α 比较）。

  ADSFAEQWER353423413434

• 特点： ADFASDFAF23RQ23R

  • 极其保守：控制FWER的简单、通用方法。 ADSFAEQWER353423413434

  • 无需假设检验间的独立性。 ADFASDFAF23RQ23R

  • 统计功效很低：当检验次数 m 非常大时（如基因组学中的数万次检验），阈值变得极为严格（如 0.05 / 20000 = 0.0000025），导致很难检测到真实效应（高假阴性率）。 ADFASDFAF23RQ23R

2. 霍尔姆-邦弗朗尼步降法（Holm–Bonferroni method）

• 方法：一种逐步改进的方法。

  ADFASDFAF23RQ23R

  1. 将 m 个 p 值从小到大排序。 ADSFAEQWER353423413434

  2. 从最小的 p 值开始，依次判断：若 p(i) ≤ α / (m - i + 1)，则拒绝该假设；一旦某个 p 值不满足条件，则停止，并接受所有剩余假设。 ADSFAEQWER353423413434

• 特点： ADFASDFAF23RQ23R

  • 比邦弗朗尼校正功效更高（更宽松），但仍严格控制FWER。

    ADFASDFAF23RQ23R

  • 同样不依赖独立性假设。 ADSFAEQWER353423413434

表1：FWER控制方法与FDR控制方法的比较

• 传统应用：在早期的遗传关联研究和小规模微阵列分析中曾广泛使用。

  ADFASDFAF23RQ23R

• 当前局限：在现代高通量组学研究中（如全基因组关联分析、转录组学），由于同时检验的假设数量（m）极其庞大（数万至数百万），使用邦弗朗尼校正等FWER控制方法会导致功效严重不足，几乎无法检测到任何真实信号。因此，在这些领域已基本被错误发现率控制方法取代。 ADSFAEQWER353423413434

• 特殊应用：在某些特定情境下仍被使用或作为参考：

  ADSFAEQWER353423413434

  • 全基因组关联研究中定义的“基因组范围显著性”水平（通常为 p < 5×10⁻⁸），其本质是邦弗朗尼校正的变体，旨在控制在全基因组范围内进行数百万次独立SNP检验时的FWER。 ADSFAEQWER353423413434

  • 在分析预先定义的、数量很少的假设集合（如验证少数几个候选生物标志物）时，可能仍采用FWER控制。

    ADSFAEQWER353423413434

优势

• 误差控制最严格：为整个研究结论的可靠性提供了最强保证。

  ADFASDFAF23RQ23R

• 解释简单明确：若将FWER控制在0.05，则研究者可以有95%的置信度认为，所有报告为显著的结果中没有一个是假阳性。

  ADSFAEQWER353423413434

劣势

• 统计功效低：尤其是在大规模多重检验中，为控制整体风险而付出的代价是可能错过许多真实存在的效应（假阴性）。

  ADSFAEQWER353423413434

• 保守性可能导致生物学发现被遗漏：在探索生命复杂性的研究中，过于严格的标准可能阻碍新知识的发现。 ADFASDFAF23RQ23R

• Bonferroni, C. E. (1936). Teoria statistica delle classi e calcolo delle probabilità. Pubblicazioni del R Istituto Superiore di Scienze Economiche e Commerciali di Firenze, 8, 3-62.
• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65-70.
• Shaffer, J. P. (1995). Multiple hypothesis testing. Annual Review of Psychology, 46, 561-584.
• Benjamini, Y., & Hochberg, Y. (1995). Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289-300.
• Dudbridge, F., & Gusnanto, A. (2008). Estimation of significance thresholds for genomewide association scans. Genetic Epidemiology, 32(3), 227-234.
• 方积乾. (2008). 生物统计学. 北京: 中国统计出版社.
• Hochberg, Y., & Tamhane, A. C. (1987). Multiple Comparison Procedures. New York: Wiley.
• Westfall, P. H., & Young, S. S. (1993). Resampling-Based Multiple Testing: Examples and Methods for p-Value Adjustment. New York: Wiley.