在Matlab中调整多重比较的p值

我有一个p值的单元格数组，需要进行多次比较。如何在Matlab中实现这一点？我找不到内置函数

在R中，我会：

data.pValue_adjusted = p.adjust(data.pValue, method='bonferroni')

Matlab有类似的函数吗？理想情况下，执行不同调整方法的方法（Bonferroni、Benjamini Hochberg、FDR…）

查看Matlab文件交换中的文件和相关文件

我希望这有帮助

可能是您正在寻找的，但它只实现了Bonferroni Holm方法。 您必须在FEX中搜索与其他校正方法类似的解决方案

也就是说，统计工具箱中的方法是为多个比较测试而设计的，尽管它不会返回正确的p值。以下是一个例子：

load fisheriris
[pVal tbl stats] = kruskalwallis(meas(:,1), species)   %# Kruskal-Wallis or ANOVA
title('Sepal Length'), xlabel('Groups'), ylabel('Value')

[c,m] = multcompare(stats, 'ctype','bonferroni', 'display','on');

---

如果您有生物信息学工具箱，您可以使用函数计算由错误发现率调整的p值。

对于没有生物信息学工具箱的人，FDR（错误发现率）方法也有很好的描述，它还提供了一个与FDR脚本的链接。

另请参见和

---

作为背景。

R的

p.adjust

函数的MATLAB/Octave实现可用。它可以使用以下方法对多重比较进行p值调整，相当于它们的R对应方法：

• 霍姆
• 霍希伯格
• 霍梅尔
• 邦费罗尼
• 波黑
• 借
• 罗斯福
• Sidak（此选项在R函数中不可用）

---

免责声明：我是这个软件包的作者。

我认为Bonferroni Holm已经足够好了。无论如何，我不明白细节；）快速阅读文档表明，multompare仅适用于anova类测量（似乎使用t检验临界值-参见bonferroni的描述-而不是调整p值）。bonferroni*（FWER/家庭错误率）和Benjamini*（FDR/错误发现率）之间存在重要差异。非常粗略地说，FWER中的显著性（aka alpha）是测试错误地拒绝无效假设的概率，即使是一次。在FDR中，意义是不正确的拒绝（发现）的比例。所以，如果40分在95%的水平上是显著的，那么在FWER下，这意味着有20分之一的几率1场比赛是错误的。而对于罗斯福来说，这意味着1/20是错误的，所以平均2个是错误的。@Eponymous:谢谢你的解释。我认为关于

multcompare

，您是对的，因为它的输入是

stats

结构，它只包含t值而不包含p值。。。如下文所示，解决方案是使用

TTET2

计算多个测试的原始p值，然后从生物信息学工具箱调用

mafdr

，根据Benjamini&Hochberg（FDR）方法获得调整后的p值。我可能应该提到，我不是一名统计学家，这不是我的专业领域：）对于那些无法使用生物信息学工具箱的人来说，Benjamini&Hochberg和Benjamini&Yekutieli在。虽然不是一个替代品，但它可以代替MAFDR。@Eponymous值得注意的是，官方的

MAFDR

实现默认使用Storey（2002）方法，该方法通常比原始的Benjamini Hochberg版本更强大。文档。虽然链接可以回答问题，但最好在此处包含答案的基本部分，并提供链接供参考。如果链接页面发生更改，仅链接的答案可能会无效。该链接中的有用说明功能强大！谢谢分享