graphpad两组t检验_GraphPad中国官网 – Prism 8 统计指南 – 多重t检验的选项[通俗易懂]

如何计算单个P值

Prism计算每行的非配对t检验，并报告相应双尾P值。有两种方法可进行计算。

•更少假设。在作出这种选择后，单独分析每行。其他行中的数值与如何分析特定行中的数值毫无关系。df越来越少，检验力也越来越小，但您做的假设越来越少。请注意，尽管您未假设不同行上的数据从具有相同标准偏差的总体中抽样得到，但您假设每行上的两列中的数据是从具有相同标准偏差的总体中抽样的。这是非配对检验的标准假设，即所比较的两份样本是从具有相同标准偏差的总体中抽样的。

•更高检验力。您假设来自两列和所有行的所有数据均是从具有相同标准偏差的总体中抽样的。当然，您的样本SD会有所不同。但假设这种变化为随机变化，实际上所有行中的所有数据均来自具有相同SD的总体。这是同方差性的假设。因此，Prism会像进行双因素方差分析一样计算合并SD。这为您提供更多自由度，因此具有更高检验力。请注意，合并SD适用于所有行的两个数据集列。因此，每行中的数据不仅会影响该行的P值，还会影响其他每行的P值。

在这些选项之间选择并不总是简单易行。当然，如果不同行中的数据代表不同量，或以不同单位测量，则不能理由假设所有散布均相同。因此，如果不同行代表不同基因产物，或者不同教育成就衡量标准(选择两个非常不同的示例)，则选择“少数假设”选项。如果不同行代表不同条件，或者可能代表不同大脑区域，且所有数据均是相同结果的测量值，则假设标准偏差相等并选择“检验力更高”选项可能行得通。

如果有疑问，则选择较少假设。

如何决定哪些P值足够小以进行进一步研究

同时进行一大堆t检验时，目的通常是提出比较子集，其中的差异似乎足够大，值得进一步研究。Prism提供了两种方法来决定双尾P值何时足够小，使该比较值得进一步研究。

一种方法是基于统计学显著性的熟悉概念。

另一个选择是基于关于错误发现率(FDR；建议)的决定。控制FDR的整个概念与声明某些比较具有“统计学显著性”的概念大不相同。该方法不使用术语“显著性”，而是使用术语“发现”。您设定了Q，即错误发现的“发现”最大百分比。换言之，这是最大期望FDR。

在所有标记为“发现”的数据行中，目的是不超过Q%的数据行将是错误发现(由于数据随机散布)，而至少100% – Q%的发现是总体平均值之间的真实差异。 阅读更多有关FDR的信息。 Prism提供了三种控制FDR的方法。

如何处理多重比较

如果您选择“错误发现率”方法，则需为Q选择一个值，即证明为错误的发现的可接受百分比。输入百分比，而非小数。如果您愿意接受5%的发现是假阳性，则输入5而非0.05。此外，您还需选择要使用的方法。

如果您选择使用具有统计学显著性的方法，则需对多重比较作出其他决定。您有三个选项：

•使用Holm – Šídák法修正 多重比较 (建议)您指定您想要适用于整个比较族的显著性水平α。“显著性”的定义设计如下：如果所有空假设对于每一行均为真，则声明一行或多行的比较具有显著性的几率为α。

•使用Šídák – Bonferroni方法修正多重比较(不建议)。相较于Holm – Šídák方法，Bonferroni方法更容易理解，也更广为人知，但无其他优势。Holm – Šídák方法的检验力更高，因此建议该方法。请注意，如果您选择Bonferroni方法，则Prism总是使用 Šídák – Bonferroni方法，该方法通常简称为Šídák方法，相较于普通的Bonferroni(有时又称“onferroni – Dunn”)方法，其检验力更高，尤其是在进行多项比较时。

•不要修正多重比较(不建议)。每个P值均单独解读，而不考虑其他值。您可为显著性水平设定一个值，通常设为0.05。如果P值小于α，则认为这项比较具有“统计学显著性”。如果您使用该方法，则知道您会获得很多假阳性(您会获得很多结果不是真的“显著性”发现)。这在某些情况下正常(例如，药物筛选)，其中多重t检验的结果仅仅用于设计下一级试验。

火山图

Prism 8的新功能，Prism为您的数据创建火山图。X轴是每行的平均值之间的差异。Y轴绘制P值。实际上，其绘制P值的负对数。因此，如果P = 0.01，则log(P) = – 2， – log(P) = 2，如所绘制。因此，差异较大的行更靠近图表的任一边缘，而P值较小的行则绘制在图表上的更高位置。

Prism会自动将垂直网格线放在X = 0(无差异)处，将水平网格线放在Y = – log(α)处。水平网格线上方的点的P值小于您选择的α值。

© 1995-2019 GraphPad Software, LLC. All rights reserved.