- 综合排序
- 最热优先
- 最新优先
- 来自专栏思影科技
《大话脑成像》系列之五——fMRI中的FDR校正
那什么是多重比较，什么是FDR校正呢？多重比较是统计学中的术语。当我们进行多次统计检验后，假阳性的次数就会增多，所以要对假阳性进行校正。 那什么是FDR校正呢？ 先解释三个指标： Vaa,Via, Da=Vaa+Via。这个三个指标表示的是在V（比如这里V指体素个数）次测试中，它们各自出现了多少次。 FDR公式如下： 或者，我们可以用中文表达该公式： （为什么是岳不群，而不是东方不败加日月神教=武林至尊，一统江湖？ FDR和FWE的校正水平都设为0.05。那么FDR说的是在20000个激活的体素中，假阳性的体素不超过20000*0.05=1000个。 FWE比FDR严格（好气哦，FEW什么的最讨厌了啦，法海你不懂爱！），是因为FWE控制的是全脑中假阳性次数，FDR控制的是我们发现的激活（Declared active）的体素中假阳性次数。
2.8K61发布于 2018-04-08 - 来自专栏生信菜鸟团
使用Clipper控制FDR应对高通量数据分析p值失真问题
FDR 我们往期有许多推文介绍了各种进行多重检验矫正的方法，其中就包括了如何计算FDR 一文了解P-value，多重比较，FDR和Q value的差别 转录组差异分析P值与FDR值区别有多大 p.value 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 and Hochberg（BH）） 错误发现率FDR= 0.05。 一种控制 FDR 的方法：让 k 成为最大的 i，使得p(i) <= (i/m) * alpha，（m 是比较次数）然后拒绝 H(i) for i =1, 2, …k 通过下面的图，可以更好理解 ## i <= alpha p_adjusted(i) = p(i) * (m/i)，其中 p(i) 是原始的第 i 个 p 值，m 是的检验个数 sum( p.adjust(pvals, method="<em>fdr</em>
78410编辑于 2023-09-09 - 来自专栏剑指工控
M241 PLC 与ATV340 的Ethernet IP 通讯以及FDR 功能
一、概述 M241 PLC 的工业以太网通讯接口作为Ethernet IP 主站与ATV340 进行通讯，所有的参数均通过M241 PLC 来进行配置，并且ATV340 支持FDR（Fast Device 设置给定通道与命令通道，均为内置以太网，如下： 19、在参数列表中，设置内置以太网的基本参数，如下： 20、在参数列表中，设置内置以太网的通讯协议参数，如下： 21、在参数列表中，设置内置以太网的FDR 提示如下： 23、下载参数至ATV340 完成，如下： 24、程序编写 Ethernet IP 通讯的库文件中PLCopen 功能块的前缀均为GIPLC，如下： 25、视图 六、ATV340 的FDR
1.8K50发布于 2021-11-09 - 来自专栏脑电信号科研科普
谈一谈两种常用的多重比较校正方法（附Matlab程序）
本文，笔者对Bonferroni和False Discovery Rate(FDR)两种校正方法进行论述，特别是对于应用比较广的FDR校正方法，笔者用具体的例子详细阐述了其原理，并给出其Matlab程序 FDR 校正方法 这里，笔者主要对FDR校正方法的原理进行论述。FDR校正方法是Benjamini和Hochberg于1995年提出了一种多重比较校正的方法。 基于BH法的FDR校正过程： 第一步：将我们单独统计得到的一系列的p=[p1,p2,…,pn]从大到小进行重新排序，计为P=[P1,P2,…,Pn]； 第二步：按照以下公式计算每个P值所对应的校正前的FDR 最终得到Q值称之为校正后的FDR值。 第四步：按照重排序之前的顺序返回各个p值对应的校正后的FDR值。 值为：FDR=[ 0.0500, 0.0467, 0.0420, 0.0420, 0.0420, 0.0350, 0.0350]； 最后，转换成原来的顺序：FDR=[0.0350, 0.0350, 0.0420
8.9K32发布于 2020-12-01 - 来自专栏程序人生
[产品与技术] Flight data recorder
FDR会记录些什么？ 没有FDR，或者找不到FDR，基本上客机失事就会成为一个永远的谜团。 下图展示了FDR在飞机上的位置，以及数据的收集： ? 而越来越复杂的软件系统也有这样的问题。 这时候，我们就要求助于软件系统中的FDR了。 最典型，也是最原始的FDR是log。几乎所有的软件都有log。 网上关于软件系统中的FDR的信息还很少，除了我了解的systemtap的flight record mode（FRM）外，就是Java中对FDR的支持了。我们先看Java FDR。 Java FDR是建立在JVM中的，所以只要JVM使能了FDR，所有运行在其上的application都将受益（这又是indirection好处的一大佐证）。
1.1K90发布于 2018-03-28 - 来自专栏大数据文摘
关于黑匣子的一切：找到黑匣子之后，还原数据和事故真相还要多久？
东航MU5735“黑匣子”——FDR和CVR 东航MU5735航班型号是波音737 800NG，里面搭载两个“黑匣子”，一个是飞行数据记录器FDR，在发动机启动时记录，记录时长约25小时、参数约1000 霍尼韦尔官网上介绍的FDR和CVR都只有一款，分别是HFR5-V CVR和HFR5-D FDR，适配机型只写了波音737系列。 对比事故现场找到的CVR“黑匣子”，应该就是这一款。 FDR——还原事故真相的核心 FDR不同于CVR，CVR中的录音只代表机组人员对事故的判断，结合一些数据信息，可以进行事故原因的推断。 但是FDR记录了整个飞行的数据，能为界定此次事故的直接原因提供详细的数据支持，所以，FDR和CVR两者的数据是互补的，缺一不可，相互佐证的。 FDR的记录时间也是在发动机启动时开始记录，发动机停车后停止记录，所以这次航班的飞行信息，没有意外的话也全部被FDR记录下来。 找到“黑匣子”之后，得出结论还要多久？
73040编辑于 2022-03-28 - 来自专栏生信小驿站
多分组差异分析解决方案（1）循环T检验
(mean(as.numeric(dt_Con[i,])))) } library(dplyr) library(tidyr) library(tibble) # 对p value进行FDR 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 ,fdr)) out$gene <- rownames(dt_Con) # out <- out %>% # dplyr::filter(log2_FC > 0.5 & Pvalue < 0.05) 校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue 校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue
1.4K60发布于 2021-06-10 - 来自专栏生信菜鸟团
比较微生物组中的差异分析方法
<- deseq_res_df %>% dplyr::filter(padj < 0.05) dim(fdr_deseq) ## [1] 5 6 head(fdr_deseq) ## = 0.05) fdr_corncob <- corn_da$significant_taxa dim(data.frame(fdr_corncob)) ## [1] 28 1 head(sort <- mas_res_df %>% dplyr::filter(qval < 0.05) dim(fdr_mas) ## [1] 27 10 head(fdr_mas) ## 不同方法结果之间的 overlap x <- list(limma = fdr_limma$Species, deseq2 = fdr_deseq$Species, corncob = fdr_corncob, maaslin2 = fdr_mas$feature, ancom = fdr_ancom$Species)
8.2K30编辑于 2021-12-13 - 来自专栏Y大宽
GSEA结果解读
3 FDR NES确定后，判断其中可能包含的错误阳性发现率。FDR=25%意味着对此NES的确定，4次可能错 1次。GSEA结果中，高亮显示FDR<25%的富集set。 大多数情况下，选FDR<25%是合适的，但是，假如分析的芯片data set较少，选择的是探针随机组合而不是表型组合，若p不严格，那么应该选FDR<5%。 一般而言，NES绝对值越大，FDR值就越小，说明富集程度高，结果可靠。 以上4个参数中，只有FDR进行了功能gene子集大小和多重假设检验矫正，而p值没有，因此，如果结果中有一个高度富集的功能gene子集，而其有很小的名义p-value和大的FDR意味着富集并不显著。 我的一个具体结果解读： 92/681 gene sets are upregulated in PH 0 gene sets are significantly enriched at FDR<25%
5.5K40发布于 2018-09-30 - 来自专栏数据科学实战
AkShare-利率数据-回购定盘利率
输出参数 名称 类型 默认显示 描述 date str Y - FR001 float Y 注意单位: % FR007 float Y 注意单位: % FR014 float Y 注意单位: % FDR001 float Y 注意单位: % FDR007 float Y 注意单位: % FDR014 float Y 注意单位: % 接口示例 import akshare as ak repo_rate_hist_df 20200930", end_date="20201029") print(repo_rate_hist_df) 数据示例 date FR001 FR007 FR014 FDR001 FDR007 FDR014 0 2020-10-29 2.1500 3.1500 2.9500 2.1200 2.4900 2.9000 1 2020-10-28 2.4800
61710发布于 2020-11-09 - 来自专栏生信菜鸟团
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）
between projection scores on cytokine-treated cells and projection scores on PBS-treated cells, and an FDR The effect size and FDR-adjusted P value for each of the 86 cytokines can then be visualized using a <- p.adjust(p_values, method = "<em>fdr</em>") return(fdr_p_values) } 进行统计检验和FDR校正 # 进行统计检验和FDR校正 sample_info <- perform_statistical_tests(scores, group_labels) print(fdr_p_values) # 6.443092e-16 1.781591e-01 (FDR < 0.05, Score, 0)) %>% select(State, Score) %>% pivot_wider(names_from = State, values_from
99811编辑于 2024-07-10 - 来自专栏生信小驿站
多分组差异分析解决方案（2）分批次差异基因后取交集
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 ,fdr)) out$gene <- rownames(dt_Con) # out <- out %>% # dplyr::filter(log2_FC > 0.5 & Pvalue < 0.05) 校正 fdr=p.adjust(Pvalue, "BH") # 在原文件后面加入log2FC，p value和FDR,共3列； out<- as.data.frame(cbind(log2_FC,Pvalue ,fdr)) out$gene <- rownames(dt_Con) # out <- out %>% # dplyr::filter(log2_FC > 0.5 & Pvalue < 0.05) 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
3.1K30发布于 2021-06-10 - 来自专栏用户7627119的专栏
R函数，如何“抄”出水平
<- deg.all geneList$threshold <- c() geneList$threshold[geneList$logFC > log(fc, 2) & geneList$FDR >= pval] <- 2 geneList$threshold[geneList$logFC < -log(fc, 2) & geneList$FDR < volcano <- ggplot(data = geneList, aes(x = logFC, y = -log10(FDR threshold), alpha = 1, size = 0.8) + xlab("log2(Fold Change)") + ylab("-log10(FDR <- deg.all geneList$threshold <- c() geneList$threshold[geneList$logFC > log(fc, 2) & geneList$FDR
1.2K30发布于 2020-10-23 - 来自专栏生信小驿站
一文解决RNA测序资料的差异
edgeR 在默认情况下，执行TMM标准化程序以考虑样本之间的不同测序深度，通过Benjamini-Hochberg用于控制FDR 。 Limma包基于线性模型建模。 默认情况下，Benjamini-Hochberg程序用于估计FDR 。 DESeq使用类似于edgeR的负二项式模型，与edgeR类似，执行缩放因子归一化以考虑不同样本的变化的测序深度，并且Benjamini-Hochberg用于控制FDR。 et) ordered_tags <- topTags(et, n=100000) allDiff=ordered_tags$table allDiff=allDiff[is.na(allDiff$FDR diff$logFC<(-foldChange))),] write.csv(diffSig, file="edger_diffSig.csv") # # diffUp = diff[(diff$FDR
1.8K30发布于 2019-06-15 - 来自专栏生信星球
meta分析整合多次差异分析结果
4.meta分析结果整理 res <- bind_cols(dat, res) %>% mutate( FDR = p.adjust(Meta_Pval, method = "BH") ) %>% filter(is.finite(Pooled_ES), is.finite(Meta_Pval), is.finite(FDR)) %>% # 防止FDR极小被数值舍入到0，导致 -log10(FDR) = Inf mutate(FDR_plot = pmax(FDR, 1e-300)) head(res) ## Symbol logFC_dat1 SE_dat1 <- 0.05 cutoff_es <- 0.585 # 约等于1.5倍 res <- res %>% mutate( group = case_when( FDR < cutoff_fdr & Pooled_ES > cutoff_es ~ "Up", FDR < cutoff_fdr & Pooled_ES < -cutoff_es ~ "Down",
18210编辑于 2026-01-27 - 来自专栏数说工作室
浅议P值校正
针对这样的问题，Benjaminiand Hochberg(1995) 提出了FDR校正方法。 四、FDR校正 Bonferroni校正关注的是，所有检验中的第一类错误检验（被错误拒绝的检验），而FDR的关注的是，所有拒绝掉的检验中，错误拒绝的检验，如果觉得绕口的话可以看下面的图： ? FDR（Falsely Discovery Rate）的定义为： ? 实际上，FDR也就是错误拒绝的检验个数，占所有拒绝的检验个数的比例。 至此，完成FDR的校正。 举个例子吧，加入我们做个20个检验，每个检验有一个P值，那么我们分别用Bonferroni校正和FDR校正，得到的结果如下： ? 可以看出Bonferroni校正的结果要严格很多，FDR则比较中肯。
7.3K61发布于 2018-04-08 - 来自专栏生信技能树
抽风的ggplot2版本让我排查bug到半夜！！！
然后是绘图，先对数据做一下处理： table(diff_sc$Group) diff_sc <- diff_sc[abs(diff_sc$avg_log2FC)>0.58, ] diff_sc$log10fdr <- -log10(diff_sc$p_val_adj) # 处理一下极大值 diff_sc$log10fdr[diff_sc$log10fdr=="Inf"] <- max(diff_sc$log10fdr [diff_sc$log10fdr! "#f66464") 开始绘图： # 基础火山图 p <- ggplot() + geom_point(data = diff_sc, aes(x = avg_log2FC, y = log10fdr 加粗分面标题 ) # 添加基因symbol p + geom_text_repel( data = top10, aes(x = avg_log2FC, y = log10fdr
79510编辑于 2025-04-23 - 来自专栏生信技能树
顶刊 Science 文献两分组差异结果比较图复现
/data/science.adk0775_data_s1.csv" ) head(group1) # 提取FDR值和FC值 group1 <- group1[,c("external_gene_name ","logFC","FDR" )] group1 <- group1[group1$external_gene_name! rownames(group1) <- group1$external_gene_name head(group1) # external_gene_name logFC FDR group2) <- group2$external_gene_name head(group2) # external_gene_name ERKi_24_hr.logFC ERKi_24_hr.FDR < 0.01 ] <- "up" group2$g2[group2$ERKi_24_hr.logFC < -0.5 & group2$ERKi_24_hr.FDR < 0.01 ] <- "down"
57910编辑于 2025-01-13 - 来自专栏单细胞天地
差异分析及功能注释（上）
, qvalue=0.05 ) end_time <- Sys.time() end_time - start_time # 1] "4435 significantly DE genes (FDR <0.05)." # [1] "3268 significantly DE genes (FDR<0.01)." # Time difference of 1.796054 mins 我们最后保留的也就是 4435 significantly DE genes (FDR<0.05). ", sep="")) print(paste(nrow(sig_genes_0.01), " significantly DE genes (FDR<0.01). groups = groups , B = 1000 , K = 500 , seed = 1234) summary_pop1<-data.frame(summary(results_pop1, fdr
1.3K20发布于 2020-03-30 - 来自专栏天意生信俱乐部
自学攻略 | R语言数据类型和数据结构
使用p.adjust函数进行FDR校正（这是一个典型的向量化操作） # "fdr" 是校正方法，也可以是 "bonferroni", "BH" 等 adjusted_p_values <- p.adjust (raw_p_values, method = "<em>fdr</em>") print("FDR校正后的P值：") print(adjusted_p_values) # 思考：如果raw_p_values中混入了字符型数据 场景： 我们得到了一份包含基因ID、log2FC和FDR值的差异表达分析结果。 # 1. 添加一列 -log10(FDR)，用于火山图Y轴，数值越大表示越显著 diff_expression_df$neglog10FDR <- -log10(diff_expression_df$FDR) print ("添加-log10(FDR)列后的数据框：") print(diff_expression_df) # 3.
69610编辑于 2025-06-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号