Điều gì sai với điều chỉnh Bonferroni?


23

Tôi đã đọc bài báo sau: Perneger (1998) Có gì sai với các điều chỉnh Bonferroni .

Tác giả đã tóm tắt bằng cách nói rằng điều chỉnh Bonferroni, tốt nhất, ứng dụng hạn chế trong nghiên cứu y sinh và không nên được sử dụng khi đánh giá bằng chứng về giả thuyết cụ thể:

Điểm tóm tắt:

  • Điều chỉnh ý nghĩa thống kê đối với số lượng thử nghiệm đã được thực hiện trên dữ liệu nghiên cứu, phương pháp Bonferroni đã tạo ra nhiều vấn đề hơn so với giải pháp
  • Phương pháp Bonferroni liên quan đến giả thuyết null chung (rằng tất cả các giả thuyết null đều đồng thời đúng), điều này hiếm khi được các nhà nghiên cứu quan tâm hoặc sử dụng
  • Điểm yếu chính là việc giải thích một phát hiện phụ thuộc vào số lượng các xét nghiệm khác được thực hiện
  • Khả năng xảy ra lỗi loại II cũng tăng lên, do đó những khác biệt thực sự quan trọng được coi là không đáng kể
  • Mô tả đơn giản những thử nghiệm có ý nghĩa đã được thực hiện và tại sao, nói chung là cách tốt nhất để xử lý nhiều so sánh

Tôi có bộ dữ liệu sau đây và tôi muốn thực hiện nhiều hiệu chỉnh thử nghiệm NHƯNG tôi không thể quyết định phương pháp tốt nhất trong trường hợp này.

nhập mô tả hình ảnh ở đây

Tôi muốn biết nếu bắt buộc phải thực hiện loại chỉnh sửa này cho tất cả các bộ dữ liệu có chứa danh sách phương tiện và phương pháp tốt nhất để hiệu chỉnh trong trường hợp này là gì?


chính xác thì 'nghĩa là A', 'meanB' ... là gì?

3
Bằng cách không sửa chữa cho nhiều so sánh, bạn có nguy cơ dẫn đến kết quả không thể đạt được. Nhiều lĩnh vực, bao gồm cả y học và tâm lý học, gần đây đã phát hiện ra đó chính xác là những gì đã xảy ra: phần lớn những gì họ "biết" dựa trên các giá trị p chưa được xử lý hóa ra lại không như vậy. Không có nghĩa là có vẻ hoài nghi, có vẻ như sự lựa chọn là rõ ràng: nhà nghiên cứu cần đáp ứng tiêu chí giá trị p để xuất bản sẽ không chính xác; những người hoài nghi muốn kiến ​​thức sẽ.
whuber

@whuber nhưng vẫn có thể được coi là có thể tái tạo khi có rất nhiều phương pháp khác nhau để sửa cho giá trị p có sẵn? Trong câu trả lời của mình, martino thậm chí còn đưa ra các hướng dẫn để lựa chọn giữa các phương pháp ít bảo thủ hơn hoặc mạnh mẽ hơn.
Nakx

@Nakx Khả năng sinh sản chỉ liên quan một cách lỏng lẻo với quy trình thống kê: nó đề cập đến việc có thu được kết quả so sánh hay không khi nghiên cứu được thực hiện độc lập bởi những người khác (và có lẽ trong các nỗ lực sao chép như vậy , một giả thuyết rõ ràng sẽ được đưa ra trước và một giả thuyết rõ ràng sẽ được đưa ra trước và một quy trình thống kê phù hợp với giả thuyết đó sẽ được sử dụng). Nếu quy trình ban đầu không tạo ra giá trị p chính xác, thì khi được sử dụng nhiều lần cho nhiều nghiên cứu độc lập, trung bình nó sẽ đưa ra nhiều quyết định không thể đưa ra hơn so với dự định hoặc mong muốn của người dùng.
whuber

Câu trả lời:


23

Điều gì sai với sự điều chỉnh Bonferroni bên cạnh chủ nghĩa bảo thủ được đề cập bởi những người khác là điều gì sai với tất cả các hiệu chỉnh đa bội. Họ không tuân theo các nguyên tắc thống kê cơ bản và tùy tiện; không có giải pháp duy nhất cho vấn đề đa bội trong thế giới thường xuyên. Thứ hai, điều chỉnh bội số dựa trên triết lý cơ bản rằng tính xác thực của một tuyên bố phụ thuộc vào giả thuyết nào khác được giải trí. Điều này tương đương với thiết lập Bayes trong đó phân phối trước cho tham số quan tâm tiếp tục bảo thủ hơn khi các tham số khác được xem xét. Điều này dường như không mạch lạc. Người ta có thể nói rằng phương pháp này xuất phát từ các nhà nghiên cứu đã bị "đốt cháy" bởi một lịch sử của các thí nghiệm dương tính giả và bây giờ họ muốn bù đắp cho những hành động sai trái của họ.

Để mở rộng một chút, hãy xem xét tình huống sau đây. Một nhà nghiên cứu ung thư đã thực hiện một sự nghiệp nghiên cứu hiệu quả của hóa trị liệu của một lớp nhất định. Tất cả 20 thử nghiệm ngẫu nhiên trước đây của cô đã mang lại hiệu quả không đáng kể về mặt thống kê. Bây giờ cô ấy đang thử nghiệm một hóa trị liệu mới trong cùng một lớp. Lợi ích sống còn có ý nghĩa với P=0.04. Một đồng nghiệp chỉ ra rằng đã có một điểm cuối thứ hai được nghiên cứu (co rút khối u) và điều chỉnh bội số cần được áp dụng cho kết quả sống sót, mang lại lợi ích sống còn không đáng kể. Làm thế nào mà đồng nghiệp nhấn mạnh điểm cuối thứ hai nhưng không quan tâm đến việc điều chỉnh 20 lần thất bại trước đó để tìm ra một loại thuốc hiệu quả? Và làm thế nào bạn sẽ tính đến kiến ​​thức trước về 20 nghiên cứu trước đây nếu bạn không Bayesian? Điều gì xảy ra nếu không có điểm cuối thứ hai. Liệu đồng nghiệp có tin rằng một lợi ích sinh tồn đã được chứng minh, bỏ qua tất cả các kiến ​​thức trước đó?


2
Không rõ ràng về tham chiếu đến 'lặp lại'. Nếu có một thử nghiệm duy nhất, không cần điều chỉnh bội số, khả năng kết quả có được lặp lại là không cao. P=0.04
Frank Harrell

2
Để trả lời @MJA Tôi nghĩ có hai cách tiếp cận ưa thích: (1) là Bayes hoặc (2) ưu tiên các giả thuyết và báo cáo kết quả theo ngữ cảnh, theo thứ tự ưu tiên.
Frank Harrell

3
Không có gì nguyên tắc về điều đó và cũng không chính xác theo bất kỳ cách nào. Bất đẳng thức của Bonferron chỉ là giới hạn trên cho xác suất lỗi. Tại sao chi tiêu đều trên 5 thông số? Tại sao không tạo một vùng hình elip thay vì hình chữ nhật cho vùng chấp nhận? Tại sao không sử dụng phương pháp của Scheffe hoặc Tukey? Tại sao không sử dụng thử nghiệm kiểu ANOVA tổng hợp đơn giản? Bạn không đạt được mong muốn α bằng cách sử dụng một trong bình đẳng. αα
Frank Harrell

2
Bạn đang tương đương hai tỷ lệ lỗi. Theo null, Bonferroni CHÍNH XÁC duy trì số lỗi dự kiến ​​cho mỗi gia đình. Nó đưa ra một BẢNG LỚN về xác suất xảy ra lỗi "ít nhất một" cho mỗi gia đình (phụ thuộc vào mối tương quan). Chi tiêu alpha bằng nhau cho 5 bài kiểm tra là hoàn toàn hợp lý không có lý do cụ thể để ưu tiên các bài kiểm tra theo một cách khác. Cho một bối cảnh khác, có những lý do nguyên tắc để làm khác. Bạn dường như ngụ ý rằng việc "sử dụng một phương pháp toán học" đơn giản là vì phương pháp thay thế tồn tại với các bối cảnh, mục tiêu và giả định khác.
Bonferroni

2
@FrankHarrell Các câu hỏi khác của bạn chỉ phục vụ để minh họa quan điểm của tôi. Thường có rất nhiều sự lựa chọn về thống kê kiểm tra, quy trình kiểm tra, v.v., ngay cả khi không có bội số. Điều đó không làm cho phương pháp luận "tùy tiện" theo nghĩa mà bạn dường như đang ám chỉ. Nếu một người quan tâm đến một thử nghiệm omnibus, thì bằng mọi cách hãy tiến hành một thử nghiệm. Nếu một người chỉ quan tâm đến các thử nghiệm đơn biến, thì bằng mọi cách hãy tiến hành các thử nghiệm đơn biến. Bạn có nghiêm túc đề nghị rằng "tùy tiện" để chọn bài kiểm tra giải quyết câu hỏi mà bạn quan tâm hơn là một số câu hỏi khác không?
Bonferroni

12

Ông tóm tắt nói rằng điều chỉnh Bonferroni, tốt nhất, ứng dụng hạn chế trong nghiên cứu y sinh và không nên được sử dụng khi đánh giá bằng chứng về giả thuyết cụ thể.

Hiệu chỉnh Bonferroni là một trong những kỹ thuật so sánh đơn giản và bảo thủ nhất. Nó cũng là một trong những lâu đời nhất và đã được cải thiện rất nhiều theo thời gian. Thật công bằng khi nói rằng các điều chỉnh Bonferroni có ứng dụng hạn chế trong hầu hết các tình huống. Gần như chắc chắn có một cách tiếp cận tốt hơn. Điều đó có nghĩa là, bạn sẽ cần phải sửa cho nhiều so sánh nhưng bạn có thể chọn một phương pháp ít bảo thủ và mạnh mẽ hơn.

Ít bảo thủ

Nhiều phương pháp so sánh bảo vệ chống lại ít nhất một dương tính giả trong một gia đình xét nghiệm. Nếu bạn thực hiện một thử nghiệm ở cấp độ thì bạn đang cho phép 5% cơ hội nhận được kết quả dương tính giả. Nói cách khác, bạn từ chối giả thuyết khống của bạn một cách sai lầm. Nếu bạn thực hiện 10 bài kiểm tra ở mức α = 0,05 thì điều này tăng lên 1 - ( 1 - 0,05 ) 10αα=0.051(10.05)10 = ~ 40% cơ hội nhận được dương tính giả

Với phương pháp Bonferroni, bạn sử dụng một ở đầu thấp nhất của thang đo (tức là α b = α / n ) để bảo vệ gia đình của bạn về n thử nghiệm ở cấp độ α . Nói cách khác, đó là sự bảo thủ nhất. Bây giờ, bạn có thể tăng α b trên giới hạn dưới do Bonferroni đặt (nghĩa là làm cho bài kiểm tra của bạn bớt bảo thủ hơn) và vẫn bảo vệ gia đình các bài kiểm tra của bạn ở mức ααbαb=α/nnααbα cấp độ . Có nhiều cách để làm điều này, phương pháp Holm-Bonferroni chẳng hạn hoặc tốt hơn vẫn là Tỷ lệ khám phá sai

Quyền lực hơn

Một điểm tốt được đưa ra trong bài viết được tham chiếu là khả năng lỗi loại II cũng tăng lên do đó những khác biệt thực sự quan trọng được coi là không đáng kể.

Cái này rất quan trọng. Một thử nghiệm mạnh mẽ là một thử nghiệm tìm thấy kết quả quan trọng nếu chúng tồn tại. Bằng cách sử dụng hiệu chỉnh Bonferroni, bạn kết thúc với một bài kiểm tra ít mạnh mẽ hơn. Vì Bonferroni bảo thủ, sức mạnh có thể sẽ giảm đáng kể. Một lần nữa, một trong những phương pháp thay thế, ví dụ Tỷ lệ khám phá sai, sẽ tăng sức mạnh của bài kiểm tra. Nói cách khác, bạn không chỉ bảo vệ chống lại các kết quả dương tính giả mà còn cải thiện khả năng tìm kiếm kết quả thực sự quan trọng.

Vì vậy, có, bạn nên áp dụng một số kỹ thuật chỉnh sửa khi bạn có nhiều so sánh. Và vâng, Bonferroni có lẽ nên tránh để ủng hộ một phương pháp ít bảo thủ và mạnh mẽ hơn


Có một số lựa chọn thay thế - ví dụ Holm Bonferroni rất đơn giản và dễ hiểu. Tại sao không cho nó đi. Giả sử ứng dụng của bạn là biểu hiện gen hoặc biểu hiện protein nơi bạn đang kiểm tra có thể hàng ngàn biến trong một thử nghiệm thì FDR của bạn thường được sử dụng.
martino

Phương pháp tính toán 40% khả năng dương tính giả trong mười xét nghiệm là tiền đề cho các xét nghiệm của bạn là các sự kiện độc lập nhưng với dữ liệu thực thì điều này rất khó xảy ra. Tôi nghĩ rằng ít nhất là xứng đáng nhận xét.
Cá bạc

Tôi cũng lo ngại câu trả lời này dường như kết hợp các phương pháp bảo toàn tỷ lệ lỗi theo gia đình với các phương pháp cho tỷ lệ phát hiện sai. Việc thảo luận cả hai điều này không phải là một ý tưởng tồi, nhưng vì chúng làm những công việc khác nhau nên tôi không nghĩ chúng nên được trình bày tương đương nhau
Silverfish

Nhưng nếu tôi hiểu rõ, FDR (tỷ lệ phát hiện sai) không đảm bảo kiểm soát lỗi loại I ở mức định trước? (xem thêm câu trả lời của tôi cho câu hỏi này)

Nhưng không phải là minh bạch và hữu ích hơn khi báo cáo tất cả các giá trị p thô trong một bài viết, để người đọc có thể tự đánh giá tính hợp lệ của chúng hoặc chọn phương thức điều chỉnh nào trong số vô số phương pháp điều chỉnh mà họ muốn sử dụng?
Nakx

5

Thomas Perneger không phải là một nhà thống kê và bài báo của ông đầy lỗi. Vì vậy, tôi sẽ không quá nghiêm túc. Nó thực sự đã bị chỉ trích nặng nề bởi những người khác. Ví dụ, Aickin cho biết bài viết của Perneger "bao gồm hầu hết các lỗi": Aickin, "Phương pháp khác để điều chỉnh nhiều thử nghiệm tồn tại", BMJ. Ngày 9 tháng 1 năm 1999; 318 (7176): 127.

Ngoài ra, không có giá trị p nào trong câu hỏi ban đầu là <.05 dù thế nào, ngay cả khi không điều chỉnh bội số. Vì vậy, nó có thể không quan trọng điều chỉnh (nếu có) được sử dụng.


4
Cảm ơn các liên kết! Tôi đã thêm một tài liệu tham khảo đầy đủ hơn. Đây vẫn là một nhận xét nhiều hơn là một câu trả lời & tôi chắc chắn rằng bạn có điều gì đó quan tâm để thêm hoặc ít nhất là một bản tóm tắt ngắn gọn về những gì Aicken nói. Không liên quan đến điều đó: để nói rằng Perneger không có chuyên môn về thống kê có vẻ không đúng (theo bất kỳ tiêu chuẩn hợp lý nào), đáng tin cậy hoặc hữu ích - bạn có cân nhắc xóa tuyên bố này không?
Scortchi - Phục hồi Monica

@Scortchi Tôi đã thay đổi "không có chuyên môn về thống kê" thành "không phải là một thống kê." Ngẫu nhiên, tôi không đồng ý rằng việc phân biệt ý kiến ​​chuyên gia với ý kiến ​​không chuyên gia là không hữu ích.
Bonferroni

2
Theo như tôi có thể nói, Perneger không có bằng cấp về thống kê và chưa bao giờ xuất bản một bài báo trong một tạp chí thống kê. Bài viết được trích dẫn trong câu hỏi là một bài viết ý kiến ​​trong BMJ đã được gọi là hoàn toàn sai. Vì vậy, chuyên môn được cho là của Perneger là gì không thể chối cãi "vượt quá bất kỳ tiêu chuẩn hợp lý nào?" Trở nên "đáng yêu" không nên cản trở sự thật.
Bonferroni

3
Theo như tôi có thể nói ông là giáo sư tại một bệnh viện đại học với bằng Thạc sĩ về Thống kê sinh học & Tiến sĩ Dịch tễ học, người giảng về Thống kê Y khoa & xuất bản các phân tích về thử nghiệm lâm sàng và nghiên cứu quan sát trên các tạp chí y khoa. Nếu bạn suy luận từ "không có chuyên môn thống kê", tôi nghĩ rằng tiêu chuẩn của bạn khá cao hơn bạn có thể mong đợi một cách hợp lý độc giả của bạn sẽ giả định. (Đó là những gì tôi nên nói thay vì tiêu chuẩn đó là không hợp lý.) Dù sao, cảm ơn vì đã chỉnh sửa nó!
Scortchi - Phục hồi Monica

5

Có lẽ thật tốt khi giải thích '' lý do đằng sau '' nhiều lần sửa lỗi thử nghiệm giống như một trong những Bonferroni. Nếu điều đó là rõ ràng thì bạn sẽ có thể tự đánh giá xem bạn có nên áp dụng chúng hay không.

μH0:μ=0

H1:μ0H0:μ=0α

H0H0

H0H0H1

Bằng chứng sai là một điều xấu trong khoa học bởi vì chúng tôi tin rằng đã có được kiến ​​thức thực sự về thế giới, nhưng thực tế chúng tôi có thể đã gặp xui xẻo với mẫu này. Do đó, các loại lỗi nên được kiểm soát. Do đó, người ta nên đặt giới hạn trên cho xác suất của loại bằng chứng này, hoặc người ta nên kiểm soát lỗi loại I. Điều này được thực hiện bằng cách sửa trước một mức ý nghĩa chấp nhận được.

5%H05%H0H1H1

H0:μ1=0&μ2=0H1:μ10|μ20α=0.05

H0(1):μ1=0H0(1):μ10H1(2):μ2=0H1(2):μ20α=0.05

H0(1)H0(1)

1(10.05)2=0.0975α

Một thực tế quan trọng ở đây là hai bài kiểm tra dựa trên một và mẫu sampe!

Lưu ý rằng chúng tôi đã giả định độc lập. Nếu bạn không thể giả định tính độc lập thì bạn có thể hiển thị, sử dụng bất đẳng thức Bonferroni $ mà lỗi loại I có thể tăng lên đến 0,1.

Lưu ý rằng Bonferroni bảo thủ và quy trình từng bước của Holm tuân theo các giả định tương tự như đối với Bonferroni, nhưng quy trình của Holm có nhiều quyền lực hơn.

Khi các biến số rời rạc, tốt hơn là sử dụng thống kê kiểm tra dựa trên giá trị p tối thiểu và nếu bạn sẵn sàng từ bỏ kiểm soát lỗi loại I khi thực hiện một số lượng lớn các thử nghiệm thì quy trình Sai Discovery Rate có thể mạnh hơn.

CHỈNH SỬA :

Nếu ví dụ (xem ví dụ trong câu trả lời của @Frank Harrell)

H0(1):μ1=0H1(1):μ10

H0(2):μ1=0H1(2):μ20

H0(12):μ1=0&μ2=0H1(12):μ10|μ20

H0(1)H1(1)H0(2)H1(2)


2
Tôi nghĩ rằng câu hỏi này có lợi từ một câu trả lời như thế này nhưng tôi khuyên bạn nên thắt chặt từ ngữ "Vì vậy, nếu chúng tôi sửa mức ý nghĩa của chúng tôi ở mức 5% thì chúng tôi đang nói rằng chúng tôi sẵn sàng chấp nhận để tìm bằng chứng sai (vì không may mắn với mẫu ) với cơ hội 5% "... Đó chỉ là xác suất xảy ra lỗi nếu null thực sự đúng và đó là điều đáng nói. ("Bằng chứng sai" có phải là một thuật ngữ phổ biến không? Tôi quen với việc thấy "dương tính giả".)
Cá bạc

@Cá bạc; Tôi lại nói một chút, bạn có nghĩ nó tốt hơn thế này không?

1
Tôi nghĩ điều đó tốt hơn - "đã được chứng minh thống kê" có lẽ cũng sẽ được hưởng lợi từ việc đọc lại, tôi biết đây là cách nhiều người giải thích p <0,05 hoặc bất cứ điều gì nhưng tất nhiên đó không thực sự là một bằng chứng!
Cá bạc

@Silverfish: Tôi hoàn toàn đồng ý rằng đó không phải là '' bằng chứng '' nhưng tôi đã sử dụng thuật ngữ này vì lý do không chính thức, bởi vì tôi bắt đầu bằng cách tương tự với bằng chứng mâu thuẫn. Tôi sẽ thêm một sự làm rõ như vậy vào lúc bắt đầu

Chỉnh sửa của bạn là khó hiểu. "Hiệu quả của hóa trị liệu" trong ví dụ của Frank được đo lường thông qua hai biện pháp: tỷ lệ sống sót và co rút khối u. Cả hai có thể bị ảnh hưởng bởi hóa học. Giả thuyết rõ ràng là hóa trị hoạt động. Nhưng "tác phẩm" có thể được định lượng theo hai cách khác nhau. Đó là khía cạnh mơ hồ mà tôi đã nói về chủ đề mới của bạn.
amip nói phục hồi Monica

4

Một cuộc thảo luận thú vị về hiệu chỉnh và kích thước hiệu ứng Bonferroni http://beheco.oxfordjournals.org/content/15/6/1044.full.pdf+html Ngoài ra, hiệu chỉnh Dunn-Sidak và phương pháp xác suất kết hợp của Fisher đáng được xem là lựa chọn thay thế. Bất kể cách tiếp cận nào, đều đáng báo cáo cả giá trị p được điều chỉnh và giá trị cộng với kích thước hiệu ứng, để người đọc có thể tự do diễn giải chúng.


Lời khuyên để trình bày cả giá trị p thô và điều chỉnh luôn có vẻ hợp lý với tôi nhưng nó thường được coi là chuẩn mực, hoặc thậm chí có thể chấp nhận?
Cá bạc

3

Đối với một, nó cực kỳ bảo thủ. Phương pháp Holm-Bonferroni hoàn thành những gì phương pháp Bonferonni đạt được (kiểm soát Tỷ lệ lỗi khôn ngoan của gia đình) đồng thời cũng mạnh hơn.


Điều đó có nghĩa là tôi cần sử dụng phương pháp này để sửa kết quả của mình hay tôi nên chấp nhận kết quả tùy theo giả thuyết của mình.
goro

Tôi không biết ý của bạn là gì bởi "Tôi nên chấp nhận kết quả tùy theo giả thuyết của tôi" nhưng vâng, bạn nên áp dụng một số loại sửa lỗi thử nghiệm vì nếu không, bạn đang bị lỗi loại 1 rất cao.
TrynnaDoStat

Điều tôi muốn nói là "Tôi nên chấp nhận kết quả tùy theo giả thuyết của mình" là tôi đã thực hiện phân tích của mình theo ba cách khác nhau bao gồm GLM và phương pháp hoán vị. tất cả các phương pháp đã cho tôi kết quả quan trọng và những kết quả đó ủng hộ giả thuyết của tôi rằng tôi nên có sự khác biệt đáng kể giữa các nhóm. Khi tôi sử dụng Bonferroni để điều chỉnh nhiều lần Tất cả kết quả của tôi không đáng kể. Đó là lý do tại sao tôi bối rối. Phương pháp này không tối ưu cho phân tích của tôi nên tôi có thể sử dụng một phương pháp khác hoặc tôi có thể tin tưởng vào kết quả của mình tùy thuộc vào kết quả từ các phương pháp khác mà không sử dụng Bonferroni?
goro

1
Được rồi, tôi hiểu những gì bạn đang nói. Nếu bạn đã thử nghiệm cùng một giả thuyết 3 cách khác nhau, tôi sẽ không áp dụng một hiệu chỉnh thử nghiệm nhiều lần. Lý do là ba kết quả kiểm tra này có lẽ phụ thuộc rất nhiều vào nhau.
TrynnaDoStat

3

Chúng ta nên xem các phương pháp "Tỷ lệ khám phá sai" như là một phương pháp ít bảo thủ hơn so với Bonferroni. Xem

John D. Storey, "LÃI SUẤT KHÁM PHÁ TÍCH CỰC TUYỆT VỜI: MỘT GIẢI THÍCH BAYESIAN VÀ GIÁ TRỊ q," Biên niên sử Thống kê 2003, Tập. 31, số 6, 201312035.


3
Những điều khiển khác nhau mặc dù. FDR đảm bảo rằng không có hơn 5% (hoặc bất kể alpha của bạn) trong các cuộc gọi của bạn là dương tính giả, khác với việc duy trì tỷ lệ lỗi theo gia đình (đó là những gì Bonferroni làm).
Matt Krause

@Matt Krause: Và nếu tôi hiểu rõ, FDR (tỷ lệ phát hiện sai) không đảm bảo kiểm soát lỗi loại I ở mức định trước? (xem thêm câu trả lời của tôi cho câu hỏi này)
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.