FDR校正的程序实现及严格程度对比
前言
做统计分析就离不开P value<0.05，而写过科研文章的人也都知道没有经过FDR校正的P值就像一盘散沙，不用风吹，走两步自个儿就散了。 那么FDR校正这个让人又爱又恨的东西是什么呢？又是如何实现呢？
http://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.html
没听明白？再说简单点就是对统计分析结果产生的P值做一次筛选，对原始P值<0.05这个显著性的真实性用FDR校正后的新P值做判定。
下面对FDR校正的程序实现基于MATLAB和R分别进行介绍。
(一) MATLAB实现
mafdr函数
1. FDR = mafdr(PValues);
%最简单的实现方式，基于Storey procedure ( introduced by Storey, 2002)，适用于P值数量>1000的情况，否则原则上会崩溃。我用MATLAB测试过，会出现warning，但不会报错。严格程度较低，如果你的 ttest P值不是特别显著（0.01-0.05），可以用这个试试，或许可以过FDR校正.
2.FDR=mafdr(P,'BHFDR', true);
%基于linear step-up (LSU) procedure (introduced by Benjamini and Hochberg, 1995)。最常见的FDR校正方式，严格程度较高，但比
Bonferroni校正低，适用于 ttest P值显著（<0.01）。
注：
BHFDR的计算过程
1. 将一系列的p值按照从大到小排序，然后利用下述公式计算每个p值所对应的FDR值：
公式：FDR = p * (n/i)， p是pvalue，n是p值个数，最大的P值的i值为n，第二大则是n-1，依次至最小为1。
2. 将计算出来的FDR值作为新p值，如果某一个p值所对应的FDR值大于前一位p值（更大的p值）所对应的FDR值，则放弃公式计算出来的FDR值，选用与它前一位相同的值，因此会产生连续相同FDR值的现象；反之则保留计算的FDR值。
3. 返回p值对应的FDR值。
3.FDR=mafdr(P,'Lambda', [0.01:0.01:0.95]);
%指定调整参数λ，用于估计零假设为真的先验概率，Lambda Value可以是：（1）0-1内任意一值 （2）4个以上序列，或以示例的矩阵形式：[first:incr:last]，mafdr函数自动选择最优参数。严格程度比1略低，我用第一个不能过校正但是用这个居然可以过，为FDR苦恼得同志们可以被解救了。
4.FDR= mafdr(P, 'Method', MethodValue, [0.01:0.01:0.95]);
%对选择最优参数lambda的方法进行选择，'bootstrap' (default)，'polynomial'。第3种方法的延伸。
(二) R语言实现
p<-c(p1,p2,...,pn) %括号内载入P值序列，","间隔
p.adjust(p,method="method value",length(p)) %通过修改method value变换FDR方法，包括"holm","horchberg","hommel","bonferroni","BH","BY","fdr"。从严格程度上"bonferroni"最可怕，"BH","fdr"与MATLAB的1,2相同，其余在之间。
FDR校正的程序实现先说到这里，如果你有其他的方法请在下方留言评论或发邮件与我交流，我的邮箱是liuyuchen0020@163.com
