Utama Lain Tingkat Penemuan Palsu

Tingkat Penemuan Palsu

Gambaran

Perangkat lunak

Deskripsi

Situs web

Bacaan

Kursus

Gambaran

Halaman ini secara singkat menjelaskan False Discovery Rate (FDR) dan menyediakan daftar sumber daya beranotasi.

Deskripsi

Saat menganalisis hasil dari studi genomewide, seringkali ribuan tes hipotesis dilakukan secara bersamaan. Penggunaan metode Bonferroni tradisional untuk mengoreksi beberapa perbandingan terlalu konservatif, karena menjaga terhadap terjadinya positif palsu akan menyebabkan banyak temuan yang terlewatkan. Untuk dapat mengidentifikasi sebanyak mungkin perbandingan yang signifikan sambil tetap mempertahankan tingkat positif palsu yang rendah, Tingkat Penemuan Palsu (FDR) dan analognya nilai-q digunakan.

Mendefinisikan masalah
Ketika melakukan uji hipotesis, misalnya untuk melihat apakah dua rata-rata berbeda secara signifikan, kami menghitung nilai-p, yang merupakan probabilitas untuk memperoleh statistik uji yang sama atau lebih ekstrem daripada yang diamati, dengan asumsi hipotesis nol benar. Jika kami memiliki nilai p 0,03, misalnya, itu berarti bahwa jika hipotesis nol kami benar, akan ada peluang 3% untuk mendapatkan statistik uji yang kami amati atau yang lebih ekstrem. Karena ini adalah probabilitas kecil, kami menolak hipotesis nol dan mengatakan bahwa rata-ratanya berbeda secara signifikan. Kami biasanya ingin menjaga probabilitas ini di bawah 5%. Ketika kita menetapkan alpha kita ke 0,05, kita mengatakan bahwa kita menginginkan probabilitas bahwa temuan nol akan disebut signifikan menjadi kurang dari 5%. Dengan kata lain, kita ingin probabilitas kesalahan tipe I, atau positif palsu, kurang dari 5%.

Saat kami melakukan beberapa perbandingan (saya akan menyebut setiap pengujian sebagai fitur), kami memiliki kemungkinan positif palsu yang meningkat. Semakin banyak fitur yang Anda miliki, semakin tinggi kemungkinan fitur nol disebut signifikan. Tingkat positif palsu (FPR), atau tingkat kesalahan per perbandingan (PCER), adalah jumlah positif palsu yang diharapkan dari semua uji hipotesis yang dilakukan. Jadi jika kami mengontrol FPR pada alfa 0,05, kami menjamin bahwa persentase positif palsu (fitur nol disebut signifikan) dari semua uji hipotesis adalah 5% atau kurang. Metode ini menimbulkan masalah ketika kami melakukan sejumlah besar uji hipotesis. Misalnya, jika kami melakukan studi genomewide melihat ekspresi gen diferensial antara jaringan tumor dan jaringan sehat, dan kami menguji 1000 gen dan mengontrol FPR, rata-rata 50 gen benar-benar nol akan disebut signifikan. Metode ini terlalu liberal, karena kami tidak ingin memiliki banyak kesalahan positif.

Biasanya, beberapa prosedur perbandingan mengontrol tingkat kesalahan yang bijaksana (FWER), yang merupakan probabilitas memiliki satu atau lebih positif palsu dari semua pengujian hipotesis yang dilakukan. Koreksi Bonferroni yang umum digunakan mengontrol FWER. Jika kami menguji setiap hipotesis pada tingkat signifikansi (alfa/# uji hipotesis), kami menjamin bahwa kemungkinan memiliki satu atau lebih positif palsu kurang dari alfa. Jadi jika alfa adalah 0,05 dan kami menguji 1000 gen kami, kami akan menguji setiap nilai-p pada tingkat signifikansi 0,00005 untuk menjamin bahwa kemungkinan memiliki satu atau lebih positif palsu adalah 5% atau kurang. Namun, menjaga terhadap satu pun positif palsu mungkin terlalu ketat untuk studi genomewide, dan dapat menyebabkan banyak temuan yang terlewatkan, terutama jika kita berharap ada banyak hasil positif yang sebenarnya.

Mengontrol tingkat penemuan palsu (FDR) adalah cara untuk mengidentifikasi fitur signifikan sebanyak mungkin sambil menimbulkan proporsi positif palsu yang relatif rendah.

Langkah-langkah untuk mengendalikan tingkat penemuan palsu:

  • Kontrol untuk FDR pada level *(yaitu tingkat penemuan palsu yang diharapkan dibagi dengan jumlah total penemuan dikendalikan)

E [V⁄R]

  • Hitung nilai-p untuk setiap uji hipotesis dan urutan (terkecil hingga terbesar, P(min)…….P(maks))

  • Untuk nilai p terurut ke-i, periksa apakah hal-hal berikut ini terpenuhi:

P (i) × i / m

Jika benar, maka signifikan

apakah hiroshima dan nagasaki masih radioaktif?

*Batasan: jika tingkat kesalahan (α) sangat besar dapat menyebabkan peningkatan jumlah positif palsu di antara hasil yang signifikan

Tingkat Penemuan Palsu (FDR)

FDR adalah tingkat bahwa fitur yang disebut signifikan benar-benar nol.
FDR = diharapkan (# prediksi salah/ # prediksi total)

FDR adalah tingkat bahwa fitur yang disebut signifikan benar-benar nol. FDR 5% berarti bahwa, di antara semua fitur yang disebut signifikan, 5% di antaranya benar-benar nol. Sama seperti kita menetapkan alfa sebagai ambang batas untuk nilai-p untuk mengontrol FPR, kita juga dapat menetapkan ambang batas untuk nilai-q, yang merupakan analog FDR dari nilai-p. Ambang batas nilai p (alfa) 0,05 menghasilkan FPR 5% di antara semua fitur yang benar-benar nol. Ambang batas nilai-q 0,05 menghasilkan FDR 5% di antara semua fitur yang disebut signifikan. Nilai-q adalah proporsi yang diharapkan dari positif palsu di antara semua fitur sebagai atau lebih ekstrem daripada yang diamati.

Dalam penelitian kami terhadap 1000 gen, misalkan gen Y memiliki nilai p 0,00005 dan nilai q 0,03. Probabilitas bahwa statistik uji dari gen yang diekspresikan secara non-diferensiasi akan sama atau lebih ekstrem dari statistik uji untuk gen Y adalah 0,00005. Namun, statistik uji gen Y mungkin sangat ekstrem, dan mungkin statistik uji ini tidak mungkin untuk gen yang diekspresikan secara berbeda. Sangat mungkin bahwa benar-benar ada gen yang diekspresikan secara berbeda dengan statistik uji yang kurang ekstrim daripada gen Y. Menggunakan nilai q 0,03 memungkinkan kita untuk mengatakan bahwa 3% dari gen sebagai atau lebih ekstrim (yaitu gen yang memiliki p- nilai) karena gen Y adalah positif palsu. Menggunakan nilai-q memungkinkan kita untuk memutuskan berapa banyak positif palsu yang bersedia kita terima di antara semua fitur yang kita sebut signifikan. Ini sangat berguna ketika kami ingin membuat sejumlah besar penemuan untuk konfirmasi lebih lanjut di kemudian hari (yaitu studi percontohan atau analisis eksplorasi, misalnya jika kami melakukan microarray ekspresi gen untuk memilih gen yang diekspresikan secara berbeda untuk konfirmasi dengan PCR waktu nyata). Ini juga berguna dalam studi genomewide di mana kami mengharapkan sebagian besar fitur menjadi benar-benar alternatif, dan kami tidak ingin membatasi kapasitas penemuan kami.

FDR memiliki beberapa properti yang berguna. Jika semua hipotesis nol benar (tidak ada hasil yang benar-benar alternatif), FDR=FWER. Ketika ada sejumlah hipotesis alternatif yang sebenarnya, mengendalikan FWER secara otomatis juga mengontrol FDR.

Kekuatan metode FDR (ingat bahwa kekuatan adalah probabilitas menolak hipotesis nol ketika alternatifnya benar) secara seragam lebih besar daripada metode Bonferroni. Keuntungan kekuatan FDR atas metode Bonferroni meningkat dengan meningkatnya jumlah uji hipotesis.

Estimasi FDR
(Dari Storey dan Tibshirani, 2003)

Definisi:t: thresholdV: # false positiveS: # fitur yang disebut signifikanm0: # fitur benar-benar nolm: total # pengujian hipotesis (fitur)
FDR pada ambang tertentu, t, adalah FDR(t). FDR(t) E[V(t)]/E[S(t)] –> FDR pada ambang tertentu dapat diperkirakan sebagai # yang diharapkan dari positif palsu pada ambang itu dibagi dengan # yang diharapkan dari fitur yang disebut signifikan di ambang batas itu.
Bagaimana kita memperkirakan E[S(t)]?
E[S(t)] hanyalah S(t), jumlah nilai-p yang diamati t (yaitu jumlah fitur yang kita sebut signifikan pada ambang yang dipilih). Probabilitas nilai-p nol adalah ≤ t adalah t (ketika alfa=0,05, ada probabilitas 5% bahwa fitur yang benar-benar nol memiliki nilai-p yang kebetulan di bawah ambang batas dan oleh karena itu disebut signifikan).
Bagaimana kita memperkirakan E[V(t)]?
E[V(t)]=m0*t –> jumlah positif palsu yang diharapkan untuk ambang yang diberikan sama dengan jumlah fitur yang benar-benar nol dikalikan probabilitas fitur nol akan disebut signifikan.
Bagaimana kita memperkirakan m0?
Nilai sebenarnya dari m0 tidak diketahui. Kita dapat memperkirakan proporsi fitur yang benar-benar nol, m0/m = 0.
Kami berasumsi bahwa nilai-p fitur nol akan terdistribusi secara merata (memiliki distribusi datar) antara [0,1]. Ketinggian distribusi datar memberikan perkiraan konservatif dari keseluruhan proporsi nilai-p nol, 0. Sebagai contoh, gambar di bawah ini diambil dari Storey dan Tibshirani (2003) adalah histogram kepadatan 3000 p-values ​​untuk 3000 gen dari studi ekspresi gen. Garis putus-putus mewakili ketinggian bagian datar histogram. Kami mengharapkan fitur yang benar-benar nol untuk membentuk distribusi datar ini dari [0,1], dan fitur alternatif yang benar-benar mendekati 0.

0 dikuantifikasi sebagai , di mana lambda adalah parameter penyetelan (misalnya pada gambar di atas kita dapat memilih lambda=0.5, karena setelah nilai-p 0,5 distribusinya cukup datar. Proporsi fitur yang benar-benar nol sama dengan jumlah p -nilai lebih besar dari lambda dibagi m(1-lambda) Saat lambda mendekati 0 (ketika sebagian besar distribusinya datar), penyebutnya kira-kira m, begitu juga pembilangnya karena sebagian besar nilai-p akan lebih besar dari lambda, dan 0 akan menjadi sekitar 1 (semua fitur adalah nol).
Pilihan lambda biasanya diotomatisasi oleh program statistik.

Sekarang kita telah memperkirakan 0, kita dapat memperkirakan FDR(t) sebagai
Pembilang untuk persamaan ini hanyalah jumlah positif palsu yang diharapkan, karena 0*m adalah perkiraan jumlah hipotesis yang benar-benar nol dan t adalah probabilitas fitur yang benar-benar nol disebut signifikan (berada di bawah ambang batas t). Penyebut, seperti yang kami katakan di atas, hanyalah jumlah fitur yang disebut signifikan.
Nilai q untuk suatu fitur kemudian adalah FDR minimum yang dapat dicapai saat memanggil fitur itu signifikan.

(Catatan: definisi di atas mengasumsikan bahwa m sangat besar, sehingga S>0. Ketika S=0 FDR tidak terdefinisi, maka dalam literatur statistik kuantitas E[V/?S?|S>0]?*Pr (S>0) digunakan sebagai FDR. Atau, FDR positif (pFDR) digunakan, yaitu E[V/S?|S>0] Lihat Benjamini dan Hochberg (1995) dan Storey dan Tibshirani (2003) untuk informasi lebih lanjut.)

Bacaan

Buku Teks & Bab

KEMAJUAN TERBARU DALAM BIOSTATISTIK (Volume 4):
Tingkat Penemuan Palsu, Analisis Kelangsungan Hidup, dan Topik Terkait
Diedit oleh Manish Bhattacharjee (Institut Teknologi New Jersey, AS), Sunil K Dhar (Institut Teknologi New Jersey, AS), & Sundarraman Subramanian (Institut Teknologi New Jersey, AS).
http://www.worldscibooks.com/lifesci/8010.html
Bab pertama buku ini memberikan tinjauan prosedur pengendalian FDR yang telah diusulkan oleh ahli statistik terkemuka di lapangan, dan mengusulkan metode adaptif baru yang mengontrol FDR ketika nilai-p independen atau tergantung positif.

Biostatistik Intuitif: Panduan Nonmatematis untuk Berpikir Statistik
oleh Harvey Motulsky
http://www.amazon.com/Intuitive-Biostatistics-Nonmathematical-Statistical-Thinking/dp/product-description/0199730067
Ini adalah buku statistik yang ditulis untuk para ilmuwan yang tidak memiliki latar belakang statistik yang kompleks. Bagian E, Tantangan dalam Statistik, menjelaskan dalam istilah awam masalah beberapa perbandingan dan cara yang berbeda untuk menghadapinya, termasuk deskripsi dasar tingkat kesalahan yang bijaksana dan FDR.

Inferensi skala besar: metode Bayes empiris untuk estimasi, pengujian, dan prediksi
oleh Efron, B. (2010). Institut Monografi Statistik Matematika, Cambridge University Press.
http://www.amazon.com/gp/product/0521192498/ref=as_li_ss_tl?ie=UTF8&tag=chrprobboo-20&linkCode=as2&camp=1789&creative=390957&creativeASIN=0521192498
Ini adalah buku yang mengulas konsep FDR dan mengeksplorasi nilainya tidak hanya sebagai prosedur estimasi tetapi juga objek pengujian signifikansi. Penulis juga memberikan evaluasi empiris tentang keakuratan perkiraan FDR.

Artikel Metodologis

Benjamini, Y. dan Y. Hochberg (1995). Mengontrol Tingkat Penemuan Palsu: Pendekatan Praktis dan Kuat untuk Beberapa Pengujian. Jurnal dari Royal Statistical Society. Seri B (Metodologis) 57(1): 289-300.
Makalah 1995 ini adalah deskripsi formal pertama FDR. Penulis menjelaskan secara matematis bagaimana FDR berhubungan dengan tingkat kesalahan yang bijaksana (FWER), memberikan contoh sederhana tentang cara menggunakan FDR, dan melakukan studi simulasi yang menunjukkan kekuatan prosedur FDR dibandingkan dengan prosedur tipe Bonferroni.

apa itu jurusan biokimia?

Storey, J. D. dan R. Tibshirani (2003). Signifikansi statistik untuk studi genomewide.Prosiding National Academy of Sciences 100(16): 9440-9445.
Makalah ini menjelaskan apa itu FDR dan mengapa penting untuk studi genomewide, dan menjelaskan bagaimana FDR dapat diperkirakan. Ini memberikan contoh situasi di mana FDR akan berguna, dan memberikan contoh kerja melalui bagaimana penulis menggunakan FDR untuk menganalisis data ekspresi gen diferensial microarray.

Lantai JD. (2010) tingkat penemuan palsu. Dalam International Encyclopedia of Statistical Science, Lovric M (editor).
Artikel yang sangat bagus tentang kontrol FDR, FDR positif (pFDR), dan ketergantungan. Direkomendasikan untuk mendapatkan gambaran sederhana dari FDR dan metode terkait untuk beberapa perbandingan.

Reiner A, Yekutieli D, Benjamini Y. Mengidentifikasi gen yang diekspresikan secara berbeda menggunakan prosedur pengendalian tingkat penemuan palsu. Bioinformatika 2003, 19(3):368-375.
Artikel ini menggunakan data microarray yang disimulasikan untuk membandingkan tiga prosedur pengendalian FDR berbasis pengambilan sampel ulang dengan prosedur Benjamini-Hochberg. Pengambilan sampel ulang statistik uji dilakukan agar tidak mengasumsikan distribusi statistik uji ekspresi diferensial setiap gen.

Verhoeven KJF, Simonsen KL, McIntyre LM: Menerapkan kontrol tingkat penemuan palsu: meningkatkan kekuatan Anda. Oikos 2005, 108(3):643-647.
Makalah ini menjelaskan prosedur Benjamini-Hochberg, memberikan contoh simulasi, dan membahas perkembangan terakhir di bidang FDR yang dapat memberikan kekuatan lebih dari metode FDR asli.

Stan Pounds dan Cheng Cheng (2004) Meningkatkan estimasi tingkat penemuan palsu Bioinformatika Vol. 20 tidak. 11 2004, halaman 1737–1745.
Makalah ini memperkenalkan metode yang disebut spasi LOESS histogram (SPLOSH). Metode ini diusulkan untuk memperkirakan FDR bersyarat (cFDR), proporsi yang diharapkan dari positif palsu yang dikondisikan untuk memiliki k temuan 'signifikan'.

Daniel Yekutieli , Yoav Benjamini (1998) Resampling berbasis tingkat penemuan palsu mengendalikan beberapa prosedur pengujian untuk statistik uji berkorelasi Jurnal Perencanaan Statistik dan Inferensi 82 ​​(1999) 171-196.
Makalah ini memperkenalkan prosedur pengendalian FDR baru untuk menangani statistik uji yang berkorelasi satu sama lain. Metode ini melibatkan penghitungan nilai-p berdasarkan pengambilan sampel ulang. Sifat metode ini dievaluasi menggunakan studi simulasi.

Yoav Benjamini dan Daniel Yekutieli (2001) Kontrol tingkat penemuan palsu dalam beberapa pengujian di bawah ketergantungan The Annals of Statistics 2001, Vol. 29, No. 4, 1165–1188.
Metode FDR yang awalnya diusulkan adalah untuk digunakan dalam pengujian hipotesis ganda statistik uji independen. Makalah ini menunjukkan bahwa metode FDR asli juga mengontrol FDR ketika statistik uji memiliki ketergantungan regresi positif pada masing-masing statistik uji yang sesuai dengan hipotesis nol yang benar. Contoh statistik uji dependen adalah pengujian beberapa titik akhir antara kelompok perlakuan dan kontrol dalam uji klinis.

John D. Storey (2003) Tingkat penemuan palsu positif: Sebuah interpretasi Bayesian dan nilai-q The Annals of Statistics 2003, Vol. 31, No. 6, 2013–2035.
Makalah ini mendefinisikan tingkat penemuan palsu positif (pFDR), yang merupakan jumlah positif palsu yang diharapkan dari semua tes yang disebut signifikan mengingat setidaknya ada satu temuan positif. Makalah ini juga memberikan interpretasi Bayesian dari pFDR.

Yudi Pawitan, Stefan Michiels, Serge Koscielny, Arief Gusnanto, dan Alexander Ploner (2005) Tingkat penemuan palsu, sensitivitas dan ukuran sampel untuk studi microarray Bioinformatika Vol. 21 tidak. 13 2005, halaman 3017–3024.
Makalah ini menjelaskan metode untuk menghitung ukuran sampel untuk studi perbandingan dua sampel berdasarkan kontrol dan sensitivitas FDR.

Grant GR, Liu J, Stoeckert CJ Jr (2005) Pendekatan tingkat penemuan palsu praktis untuk mengidentifikasi pola ekspresi diferensial dalam data microarray. Bioinformatika. 2005, 21(11): 2684-90.
Penulis menjelaskan metode estimasi permutasi dan mendiskusikan isu-isu mengenai pilihan peneliti metode statistik dan transformasi data. Optimalisasi daya yang berkaitan dengan penggunaan data microarray juga dieksplorasi.

Jianqing Fan, Frederick L. Moore, Xu Han, Weijie Gu, Memperkirakan Proporsi Penemuan Palsu Di Bawah Ketergantungan Kovarians Sewenang-wenang. J Am Stat Assoc. 2012; 107(499): 1019–1035.
Makalah ini mengusulkan dan menjelaskan metode untuk kontrol FDR berdasarkan pendekatan faktor utama matriks kovarians dari statistik uji.

Artikel Aplikasi

Han S, Lee K-M, Park SK, Lee JE, Ahn HS, Shin HY, Kang HJ, Koo HH, Seo JJ, Choi JE et al: Studi asosiasi genome leukemia limfoblastik akut anak di Korea. Penelitian leukemia 2010, 34(10):1271-1274.
Ini adalah studi asosiasi genome-wide (GWAS) yang menguji satu juta polimorfisme nukleotida tunggal (SNPs) untuk hubungannya dengan leukemia limfoblastik akte masa kanak-kanak (ALL). Mereka mengendalikan FDR pada 0,2 dan menemukan 6 SNP dalam 4 gen berbeda sangat terkait dengan risiko SEMUA.

Pedersen, K. S., Bamlet, W. R., Oberg, A. L., de Andrade, M., Matsumoto, M. E., Tang, H., Thibodeau, S. N., Petersen, G. M. dan Wang, L. (2011). Tanda Tangan Metilasi DNA Leukosit Membedakan Pasien Kanker Pankreas dari Kontrol Sehat. PLoS ONE 6, e18223.
Studi ini mengontrol FDR<0.05 when looking for differentially methylated genes between pancreatic adenoma patients and healthy controls to find epigenetic biomarkers of disease.

Daniel W. Lin, Liesel M. FitzGerald, Rong Fu, Erika M. Kwon, Siqun Lilly Zheng, Suzanne et.al.Varian Genetik pada Gen LEPR, CRY1, RNASEL, IL4, dan ARVCF Adalah Penanda Prognostik Khusus Kanker Prostat Kematian (2011), Biomarker Epidemiol Kanker Sebelumnya.2011;20:1928-1936. Studi ini meneliti variasi dalam gen kandidat terpilih yang terkait dengan timbulnya kanker prostat untuk menguji nilai prognostiknya di antara individu berisiko tinggi. FDR digunakan untuk menentukan peringkat polimorfisme nukleotida tunggal (SNPs) dan mengidentifikasi snps peringkat teratas yang diminati.

Radom-Aizik S, Zaldivar F, Leu S-Y, Adams GR, Oliver S, Cooper DM: Efek Latihan pada Ekspresi microRNA pada Sel Mononuklear Darah Periferal Pria Muda. Ilmu Klinis dan Terjemahan 2012, 5(1):32-38.
Penelitian ini mengkaji perubahan ekspresi microRNA sebelum dan sesudah latihan menggunakan microarray. Mereka menggunakan prosedur Benjamini-Hochberg untuk mengontrol FDR pada 0,05, dan menemukan 34 dari 236 microRNA diekspresikan secara berbeda. Para peneliti kemudian memilih microRNAs dari 34 ini untuk dikonfirmasi dengan PCR waktu nyata.

Situs web

Paket statistik R
http://genomine.org/qvalue/results.html
Kode R beranotasi yang digunakan untuk menganalisis data dalam makalah Storey dan Tibshirani (2003), termasuk tautan ke file data. Kode ini dapat disesuaikan untuk bekerja dengan data array apa pun.

http://www.bioconductor.org/packages/release/bioc/html/qvalue.html
paket qvalue untuk R.

http://journal.r-project.org/archive/2009-1/RJournal_2009-1.pdf

Journal R Project adalah publikasi akses terbuka yang ditinjau oleh rekan sejawat dari R Foundation for Statistical Computing. Volume ini menyediakan artikel berjudul 'Estimasi Ukuran Sampel Saat Mengontrol Tingkat Penemuan Palsu untuk Eksperimen Microarray' oleh Megan Orr dan Peng Liu. Fungsi khusus dan contoh rinci disediakan.

http://strimmerlab.org/notes/fdr.html
Situs web ini menyediakan daftar perangkat lunak R untuk analisis FDR, dengan tautan ke halaman beranda mereka untuk deskripsi fitur paket.

SAS
http://support.sas.com/documentation/cdl/en/statug/63347/HTML/default/viewer.htm#statug_multtest_sect001.htm
Deskripsi PROC MULTTEST di SAS, yang menyediakan opsi untuk mengontrol FDR menggunakan metode yang berbeda.

NEGARA
http://www.stata-journal.com/article.html?article=st0209
Menyediakan perintah STATA untuk penghitungan nilai q untuk prosedur pengujian ganda (hitung nilai q yang disesuaikan FDR).

FDR_sumber daya web umum
http://www.math.tau.ac.il/~ybenja/fdr/index.htm
Situs web yang dikelola oleh ahli statistik di Universitas Tel Aviv yang pertama kali secara resmi memperkenalkan FDR.

http://www.math.tau.ac.il/~ybenja/
Website FDR ini memiliki banyak referensi yang tersedia. Kuliah tentang FDR tersedia untuk ditinjau.

http://www.cbil.upenn.edu/PAGE/fdr.html
Bagus, penjelasan singkat tentang FDR. Sebuah ringkasan berguna sekilas dengan contoh disediakan.

http://www.rowett.ac.uk/~gwh/False-positives-and-the-qvalue.pdf
Tinjauan singkat tentang positif palsu dan nilai-q.

Kursus

Tutorial tentang Kontrol Penemuan Palsu oleh Christopher R. Genovese Departemen Statistik Universitas Carnegie Mellon.
Powerpoint ini adalah tutorial yang sangat menyeluruh untuk seseorang yang tertarik mempelajari dasar-dasar matematika FDR dan variasi FDR.

Pengujian Ganda oleh Joshua Akey, Departemen Ilmu Genom, Universitas Washington.
Powerpoint ini memberikan pemahaman yang sangat intuitif tentang beberapa perbandingan dan FDR. Kuliah ini bagus untuk mereka yang mencari pemahaman sederhana tentang FDR tanpa banyak matematika.

Memperkirakan Tingkat Penemuan Palsu Lokal dalam Deteksi ekspresi Diferensial antara Dua Kelas.
Presentasi oleh Geoffrey MacLachlan, Profesor, Universitas Queensland, Australia.
www.youtube.com/watch?v=J4wn9_LGPcY
Video ceramah ini sangat membantu dalam mempelajari FDR lokal, yang merupakan probabilitas dari hipotesis tertentu yang benar, berdasarkan statistik uji atau nilai-p spesifiknya.

Prosedur Pengendalian Tingkat Penemuan Palsu untuk Tes Diskrit
Presentasi oleh Ruth Heller, Profesor, Departemen Statistik dan Riset Operasi. Universitas Tel Aviv
http://www.youtube.com/watch?v=IGjElkd4eS8
Video ceramah ini sangat membantu dalam pembelajaran tentang penerapan kontrol FDR pada data diskrit. Beberapa prosedur step up dan step down untuk kontrol FDR ketika berhadapan dengan data diskrit dibahas. Alternatif yang diambil pada akhirnya membantu meningkatkan daya ditinjau.

Artikel Menarik

Pilihan Editor

Jaksa Penuntut Umum v. Roy Ngerng
Jaksa Penuntut Umum v. Roy Ngerng
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.
Kamp Pelatihan Penulisan Hibah NIH: Membangun Landasan yang Kuat untuk Pendanaan Sukses
Kamp Pelatihan Penulisan Hibah NIH: Membangun Landasan yang Kuat untuk Pendanaan Sukses
Kursus 19-20 Juli sudah penuh! Bergabunglah dengan Kamp Pelatihan Penulisan Hibah NIH streaming langsung berikutnya: 8-9 November 2021. Kamp Pelatihan Penulisan Hibah NIH adalah kamp pelatihan intensif dua hari yang menggabungkan kuliah, kegiatan langsung, dan diskusi untuk mengungkap proses aplikasi NIH. Pelatihan ini akan mempersiapkan peserta untuk mengajukan proposal hibah NIH yang mengubah reviewer menjadi
Veteran & Anggota Layanan
Veteran & Anggota Layanan
José Angel Patito v. Surat kabar La Nación
José Angel Patito v. Surat kabar La Nación
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling baik melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.
Manni v. Kamar Dagang Lecce
Manni v. Kamar Dagang Lecce
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.
Pesta Black Panther Singkatan dari Kesehatan
Pesta Black Panther Singkatan dari Kesehatan
Dalam pertunjukan paruh waktu Super Bowl baru-baru ini, Beyoncé, diapit oleh penari dengan kulit hitam dan baret, memberikan penghormatan kepada Black Panther Party, meningkatkan kemarahan kaum konservatif yang mengasosiasikan Panthers dengan tindakan menghasut dan sentimen anti-polisi.Didirikan 50 tahun lalu di Oakland, California, Black Panther dikenang karena retorika revolusioner mereka. Direktur FBI J
L'Oreal SA v. eBay Internasional AG
L'Oreal SA v. eBay Internasional AG
Columbia Global Freedom of Expression berusaha untuk memajukan pemahaman tentang norma-norma dan institusi internasional dan nasional yang paling baik melindungi arus bebas informasi dan ekspresi dalam komunitas global yang saling terhubung dengan tantangan-tantangan besar yang harus diatasi bersama. Untuk mencapai misinya, Global Freedom of Expression melakukan dan menugaskan proyek penelitian dan kebijakan, menyelenggarakan acara dan konferensi, dan berpartisipasi dalam dan berkontribusi pada debat global tentang perlindungan kebebasan berekspresi dan informasi di abad ke-21.