什么是FDR？

错误发现率FDR（False discovery rate）是在所有结果显著的检验中，假阳（零假设H0为真时，拒绝H0的情况）所占的比率。如下表所示，N次假设检验中，FDR定义为V/R=V/(V+S)。

而经典的Benjamini-Hochberg (BH) 方法就是用于控制错误发现率FDR的一种方法，让FDR≤α。

(资料图片)

Benjamini-Hochberg 方法介绍

有N次假设检验，对每一次假设检验都计算其P值，然后将计算出的P值按照从小到大的方式排序，接着从最小的P值开始，按照P（k）≤α*k/N进行比较，然后可以找到最大的第K个满足上述不等式的P值，最终可以认为这K个P值是显著的，其余的P值不显著。

我们来看一个具体例子，假设需要检验的总体均值为6%，重复进行了30次抽样检验，最小的6个P值如下表所示，如果使用5%的显著性水平，仅考虑P值大小来评估的话，那么我们将会拒绝最小的5个P值所对应的检验（P值=0.0625＞5%），但使用Benjamini-Hochberg方法修正后，只会拒绝一个P值（下表中第一个）。

Benjamini-Hochberg方法原理

我们将10000次假设检验分为2组：

1. 9000次检验的零假设H0：真；

2. 1000次检验的零假设H0：假。

然后，可以看到这两组检验的P值分布情况如下图所示：

H0为真时，P值均匀分布在0%-100%之间，为什么会是均匀分布呢？是因为在零假设H0条件下，P值有5%的可能性小于5%，有10%的可能性小于10%，有20%的可能性小于20%，以此类推，可以很直观理解P值的均匀分布。而上图之所以不是完全的均匀分布，是因为样本数量还不够大（当样本数量越大，P值也就越接近于均匀分布）。

H0为假时，P值就不再是均匀分布了，而是集中在0%附近，其他区间基本没有出现。这也比较好理解：H0是假，假设检验的功效越大，检验出H0为假的能力就越好，也就意味着P值越小，拒绝H0的证据越明显。

如果将所有P值合在一起统计的话，就如下图所示。0%附近的第一个直方块高度为1400次，而后面均匀分布的方块平均高度为453次（如下图红线所示），因此使用这个直方图，我们可以大致估计出零假设H0是假，应该被拒绝的数是：1400-453=947（和上图中的真实值1000非常接近）。

进一步思考，0%附近第一个直方块中包含的1400个P值，按照常规假设检验，都需要拒绝掉么？通过上述分析，一个合理的拒绝数量应该为947个。

实际上，按照Benjamini-Hochberg方法，从小到大的顺序对p值进行排序，按照P（k）≤α*k/N进行比较，拒绝最小的P值，其中有116个H0为真的情况，也就意味着错误发现率FDR=116/947=0.12。

如果要控制FDR≤α=0.1，则可重新使用Benjamini-Hochberg方法，这次我们从更加图形可视化的角度来理解这个过程。

如下图所示，横坐标是假设检验次数，纵坐标是P值。在坐标系中我们先以α/N为斜率画一条红线（P=α*k/N函数），然后将所有假设检验的P值分布在坐标系中，拒绝掉所有在红线下的P值（也就是≤α*k/N的P值）。

具体而言，α/N为斜率的红线和所有假设检验的P值相交的最大点对应频次为883，在883个最小P值中实际上有83个零假设H0为真的情况，也就意味着实际的FDR=83/883=0.094＜0.1。

为什么Benjamini-Hochberg方法能保证FDR≤α呢？本质是什么？

我们将上面的具体问题提炼总结一下，如下图所示：横坐标是假设检验次数，纵坐标是P值（0%-100%之间），先画一条以α/N为斜率的红线，假设L是红线和所有假设检验的P值相交的最大点（L以下都是需要拒绝的P值）。而基于上文，我们知道零假设H0为真时的P值是均匀分布，也就是说P值落在任意[0%-100%]区间的期望值为：k%*H0为真的假设检验次数，而H0为真的假设检验次数N0一定是小于N的。

在L个被拒绝的P值中，其中H0为真的假设检验个数为：h* H0为真的假设检验次数=h*N0。

这就是为什么Benjamini-Hochberg方法能有效控制错误发现率FDR≤α的底层逻辑。