(109条消息) p-value，p-adjust，q-value三者的定义与使用_小C_先生的博客-CSDN博客_adjust p value

(109条消息) p-value，q-value,FDR_hyena_7的博客-CSDN博客_pvalue和qvalue区别

假阴性错误（false-negative errors）: 高水平的基因可能偶尔没有检测到

假阳性错误（false-positive errors）: 低水平表达的基因由于扩增偏差，可能显得过于丰富，导致假阳性错误

错误发现率(False Discovery Rate,FDR)：事先犯I-型错误的最大概率，控制FDR值来决定p值的值域，FDR用比较温和的方法对p值进行了校正。其试图在假阳性和假阴性间达到平衡，将假/真阳性比例控制到一定范围之内

p-value

概率，反应某一事件发生的可能性大小。

统计学根据显著性检验方法得到的P值，通常以P＜0.05为显著，P＜0.01为极显著，其含义为：

抽样误差导致的样本间的差异的概率小于0.05或0.01。

根据定义，P值可简单理解为判断结果的“出错率

（即假阳性比率，假阳性：不是样本本身有差异，是其他原因（比如抽样）导致的检测结果有差异）”。

p-adjust

有时候我们会在样本中发现许多0值，然后少量其它值，这种情况就会对p-value的可靠性造成影响，往往这种情况p-value会很显著，但很明显这样不符合现实。这种时候我们就需要对p-value进行校正，校正的流程这里不细说了，我们可以简单理解为，p-adjust是用来判断p-value是否可信的一个参数，它来自于p-value，但是相对于p-value可信度更高。这样我们就可以知道，在同时有p-value和p-adjust时，我们应该选择p-adjust用来作为显著性的阈值。

q-value

q-value另有一些区别，它也来自于p-value。

q-value可以简单理解为表示p-value产生假阳性的概率，当q-value < 0.05时，p-value显著的假阳性小于0.05。

q值（q-value）是p值校正后的结果。

可定义为：多重假设检验过程中，错误拒绝（拒绝真的原假设（零假设）)的个数占所有拒绝的原假设个数的比例的期望值（也是代表出错率）。

总结：

 p-value和q-value是统计学检验变量，衡量“假阳性概率”，应用到基因检测结果中，可衡量“某个基因差异表达的假阳性概率”，代表差异显著性，小于0.05代表结果有差异。

 如果p-value或q-value/越低，那么“该基因差异结果”是假阳性的概率就越低，可靠性就越高。

 q-value相比于p-value更加严格，当差异基因结果较少时，可退而求其次根据p-value筛选。

当然，用q值筛选可能会过滤掉少部分真的有差异的基因，所以，q值是个双刃剑。但，相比绝大部分基因的假阳性，以及真阳性被滤掉的小概率，这部分的真阳性的丢失也不是很重要了。