假设检验的基本原理是小概率原理，即我们认为小概率事件在一次试验中实际上不可能发生。
多重比较的问题当同一研究问题下进行多次假设检验时，不再符合小概率原理所说的“一次试验”。如果在该研究问题下只要有检验是阳性的，就对该问题下阳性结论的话，对该问题的检验的犯一类错误的概率就会增大。如果同一问题下进行n次检验，每次的检验水准为α（每次假阳性概率为α），则n次检验至少出现一次假阳性的概率会比α大。假设每次检验独立的条件下该概率可增加至
常见的多重比较情景包括：
- 多组间比较
- 多个主要指标
- 临床试验中期中分析
- 亚组分析
Bonferroni法得到的矫正P值=P×n
Bonferroni法非常简单，它的缺点在于非常保守（大概是各种方法中最保守的了），尤其当n很大时，经过Bonferroni法矫正后总的一类错误可能会远远小于既定α。
简称BH法。首先将各P值从小到大排序，生成顺序数
排第k的矫正P值=P×n/k
另外要保证矫正后的各检验的P值大小顺序不发生变化。
怎么做检验
R内置了一些方法来调整一系列p值，以控制多重比较谬误（Familywise error rate)或控制错误发现率。
Holm、Hochberg、Hommel和Bonferroni方法控制了多重比较谬误（Familywise error rate)。这些方法试图限制错误发现的概率（I型错误，在没有实际效果时错误地拒绝无效假设），因此都是相对较保守的。
方法BH（Benjamini-Hochberg，与R中的FDR相同）和BY（Benjamini & Yekutieli）控制错误发现率，这些方法试图控制错误发现的期望比例。
请注意，这些方法只需要调整p值和要比较的p值的数量。这与Tukey或Dunnett等方法不同，Tukey和Dunnett也需要基础数据的变异性。Tukey和Dunnett被认为是多重比较谬误（Familywise error rate)方法。
要了解这些不同调整的保守程度，请参阅本文下面的两个图。
关于使用哪种p值调整度量没有明确的建议。一般来说，你应该选择一种你的研究领域熟悉的方法。此外，可能有一些逻辑允许你选择如何平衡犯I型错误和犯II型错误的概率。例如，在一项初步研究中，你可能希望保留尽可能多的显著值，来避免在未来的研究中排除潜在的显著因素。另一方面，在危及生命并且治疗费用昂贵的医学研究中，得出一种治疗方法优于另一种治疗方法的结论之前，你应该有很高的把握。
具有25个p值的多重比较示例
### -------------------------------------------------------------- ### 多重比较示例 ### -------------------------------------------------------------- Data = read.table(Input,header=TRUE)
按p值排序数据
Data = Data[order(Data$Raw.p),]
检查数据是否按预期的方式排序
执行p值调整并添加到数据框
Data$Bonferroni = p.adjust(Data$Raw.p, method = "bonferroni") Data$BH = p.adjust(Data$Raw.p, method = "BH") Data$Holm = p.adjust(Data$ Raw.p, method = "holm") Data$Hochberg = p.adjust(Data$ Raw.p, method = "hochberg") Data$Hommel = p.adjust(Data$ Raw.p, method = "hommel") Data$BY = p.adjust(Data$ Raw.p, method = "BY") Data
绘制图表
plot(X, Y, xlab="原始的p值", ylab="矫正后的P值" lty=1, lwd=2
调整后的p值与原始的p值的图为一系列的25个p值。虚线表示一对一的线。
5个p值的多重比较示例
### -------------------------------------------------------------- ### 多重比较示例，假设示例 ### -------------------------------------------------------------- Data = read.table(Input,header=TRUE)
执行p值调整并添加到数据帧
Data$Bonferroni = p.adjust(Data$Raw.p, method = "bonferroni") Data$BH = signif(p.adjust(Data$Raw.p, method = "BH"), 4) Data$Holm = p.adjust(Data$ Raw.p, method = "holm") Data$Hochberg = p.adjust(Data$ Raw.p, method = "hochberg") Data$Hommel = p.adjust(Data$ Raw.p, method = "hommel") Data$BY = signif(p.adjust(Data$ Raw.p, method = "BY"), 4) Data
plot(X, Y, type="l",
调整后的p值与原始p值在0到0.1之间的一系列5个p值的绘图。请注意，Holm和Hochberg的值与Hommel相同，因此被Hommel隐藏。虚线表示一对一的线。
最受欢迎的见解
1.Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型
3.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较
4.R语言回归中的hosmer-lemeshow拟合优度检验
