Tärkein Muu Väärän löydön määrä

Väärän löydön määrä

Yleiskatsaus

Manhattanin yliopistot ja yliopistot

Ohjelmisto

Kuvaus

Verkkosivustot

Lukemat

Kurssit

Yleiskatsaus

Tämä sivu kuvaa lyhyesti virheellisen löydönopeuden (False Discovery Rate, FDR) ja tarjoaa kommentoidun resurssiluettelon.

Kuvaus

Kun analysoidaan genomimittaisten tutkimusten tuloksia, tehdään usein tuhansia hypoteesitestejä samanaikaisesti. Perinteisen Bonferroni-menetelmän käyttö korjaamaan useita vertailuja on liian konservatiivista, koska väärien positiivisten esiintymien varoittaminen johtaa moniin jääneisiin havaintoihin. False Discovery Rate (FDR) -arvoa ja sen analogia q-arvoa hyödynnetään niin monen merkittävän vertailun löytämiseksi kuin mahdollista pitäen silti alhainen väärä positiivinen prosenttiosuus.

Ongelman määrittely
Suoritettaessa hypoteesitestejä esimerkiksi sen selvittämiseksi, ovatko kaksi keskiarvoa merkittävästi erilaiset, laskemme p-arvon, joka on todennäköisyys saada havaintotilastoa yhtä tai äärimmäisempää testitilastoa olettaen, että nollahypoteesi on totta. Jos meillä olisi esimerkiksi p-arvo 0,03, se tarkoittaisi, että jos nollahypoteesi on totta, olisi 3% mahdollisuus saada havaittu testitilasto tai äärimmäisempi. Koska tämä on pieni todennäköisyys, hylkäämme nollahypoteesin ja sanomme, että keskiarvot ovat merkittävästi erilaisia. Haluamme yleensä pitää tämän todennäköisyyden alle 5%. Kun asetamme alfamme arvoon 0,05, sanomme, että haluamme todennäköisyyden, että tyhjän havainnon kutsutaan merkittäväksi, alle 5%. Toisin sanoen haluamme tyypin I virheen tai väärän positiivisen todennäköisyyden olevan alle 5%.

Kun teemme useita vertailuja (kutsun kutakin testiä ominaisuudeksi), meillä on suurempi todennäköisyys vääristä positiivisista. Mitä enemmän ominaisuuksia sinulla on, sitä suuremmat mahdollisuudet nollaominaisuuden kutsumiseksi merkittäväksi. Väärä positiivinen osuus (FPR) tai vertailuvirhe (PCER) on odotettujen väärien positiivisten lukumäärä kaikista tehdyistä hypoteesitestistä. Joten jos hallitsemme FPR: ää alfa-arvolla 0,05, taataan, että väärien positiivisten (null-ominaisuuksia, joita kutsutaan merkittäviksi) prosenttiosuus kaikista hypoteesitestistä on 5% tai vähemmän. Tämä menetelmä aiheuttaa ongelman, kun teemme paljon hypoteesitestejä. Esimerkiksi, jos teemme genomin laajuisen tutkimuksen, jossa tarkastellaan erilaista geeniekspressiota tuumorikudoksen ja terveiden kudosten välillä, ja testasimme 1000 geeniä ja kontrolloimme FPR: ää, keskimäärin 50 todella nollaa geeniä kutsutaan merkittäväksi. Tämä menetelmä on liian liberaali, koska emme halua saada niin paljon väärää positiivista.

Tyypillisesti useat vertailumenettelyt ohjaavat sen sijaan perhekohtaista virhesuhdetta (FWER), mikä on todennäköisyys saada yksi tai useampi vääriä positiivisia kaikista tehdyistä hypoteesitesteistä. Yleisesti käytetty Bonferroni-korjaus ohjaa FWER: ää. Jos testaamme jokaisen hypoteesin merkitsevyystasolla (alfa / hypoteesitestien lukumäärä), takaamme, että todennäköisyys saada yksi tai useampi väärä positiivinen on pienempi kuin alfa. Joten jos alfa oli 0,05 ja testasimme 1000 geeniamme, testasimme jokaisen p-arvon merkitsevyystasolla 0,00005 taatakseen, että todennäköisyys saada yksi tai useampi vääriä positiivisia on 5% tai vähemmän. Suojaus yksinkertaiselta väärältä positiiviselta voi kuitenkin olla liian tiukkaa genomimittaisten tutkimusten kannalta ja voi johtaa moniin jääneisiin havaintoihin, varsinkin jos odotamme, että tosi positiivisia on paljon.

Väärän löydöstaajuuden (FDR) hallinta on tapa tunnistaa mahdollisimman monta merkittävää ominaisuutta ja saada aikaan suhteellisen pieni osuus vääriä positiivisia tuloksia.

Vaiheet väärän löydön määrän hallitsemiseksi:

  • FDR: n hallinta tasolla α * (eli väärennettyjen havaintojen odotettu taso jaettuna löytöjen kokonaismäärällä hallitaan)

E [V⁄R]

  • Laske p-arvot jokaiselle hypoteesitestille ja järjestykselle (pienimmästä suurimpaan, P (min) …… .P (max))

  • I: n järjestetyssä p-arvon tarkistuksessa, jos seuraavat edellytykset täyttyvät:

P (i) ≤ α × i / m

Jos totta, niin merkittävä

* Rajoitus: jos virhetaso (α) erittäin suuri voi johtaa väärien positiivisten tulosten lisääntymiseen merkittävien tulosten joukossa

Väärän löydön määrä (FDR)

FDR on nopeus, jonka merkittäviksi kutsutut ominaisuudet ovat todella tyhjiä.
FDR = odotettu (# väärää ennustetta / # kokonaisennustetta)

FDR on nopeus, jonka merkittäviksi kutsutut ominaisuudet ovat todella tyhjiä. 5%: n FDR tarkoittaa, että kaikkien merkittäviksi kutsuttujen ominaisuuksien joukossa 5% näistä on todella tyhjä. Aivan kuten asetamme alfan kynnykseksi p-arvolle FPR: n hallitsemiseksi, voimme asettaa myös kynnyksen q-arvolle, joka on p-arvon FDR-analogia. P-arvon kynnysarvo (alfa) 0,05 antaa FPR: n 5% kaikkien todella nollan ominaisuuksien joukossa. Q-arvon kynnysarvo 0,05 tuottaa 5% FDR: n kaikista merkittäviksi kutsutuista ominaisuuksista. Q-arvo on odotettujen väärien positiivisten osuus kaikista ominaisuuksista yhtä suuri tai äärimmäinen kuin havaittu.

Tarkastellessamme 1000 geeniä sanotaan, että geenin Y p-arvo oli 0,00005 ja q-arvo 0,03. Todennäköisyys, että erilaistumattomasti ekspressoidun geenin testitilasto olisi yhtä suuri tai äärimmäisempi kuin geenin Y testitilasto, on 0,00005. Geeni Y: n testitilasto voi kuitenkin olla hyvin äärimmäinen, ja ehkä tämä testitilasto on epätodennäköinen eri tavoin ilmaistulle geenille. On täysin mahdollista, että on olemassa erilaisesti ilmaistuja geenejä, joiden testitilastot ovat vähemmän äärimmäisiä kuin geeni Y. q-arvon 0,03 avulla voimme sanoa, että 3% geeneistä on äärimmäisiä tai äärimmäisempiä (eli geenejä, joilla on alhaisempi p- arvot) geeninä Y ovat vääriä positiivisia tuloksia. Q-arvojen avulla voimme päättää, kuinka monta väärää positiivista olemme valmiita hyväksymään kaikkien ominaisuuksien joukossa, joita kutsumme merkittäviksi. Tämä on erityisen hyödyllistä, kun haluamme tehdä suuren määrän löytöjä myöhempää vahvistusta varten (ts. Pilottitutkimus tai tutkimusanalyysit, esimerkiksi jos teimme geeniekspressiomikrosarjan poimimaan eri tavoin ilmaistuja geenejä vahvistamiseksi reaaliaikaisella PCR: llä). Tästä on hyötyä myös genomimittaisissa tutkimuksissa, joissa odotamme, että suuri osa ominaisuuksista on todella vaihtoehtoisia, emmekä halua rajoittaa löytökapasiteettiamme.

k tarkoittaa klusterianalyysiä

FDR: llä on joitain hyödyllisiä ominaisuuksia. Jos kaikki nollahypoteesit pitävät paikkansa (ei ole todellisia vaihtoehtoisia tuloksia), FDR = FWER. Kun on olemassa todella määrä vaihtoehtoisia hypoteeseja, FWER: n hallinta ohjaa myös FDR: ää.

FDR-menetelmän teho (muistakaa, että teho on todennäköisyys hylätä nollahypoteesi, kun vaihtoehto on totta) on tasaisesti suurempi kuin Bonferroni-menetelmät. FDR: n teho Bonferroni-menetelmiin nähden kasvaa hypoteesitestien lisääntyessä.

Arvio FDR: stä
(Storey ja Tibshirani, 2003)

Määritelmät: t: kynnys V: väärien positiivisten lukumäärä S: merkittäviksi kutsuttujen ominaisuuksien määrä m: todellakin nollan ominaisuuksien määrä m: hypoteesitestien (ominaisuuksien) kokonaismäärä
FDR tietyllä kynnyksellä t on FDR (t). FDR (t) ≈ E [V (t)] / E [S (t)] -> FDR tietyllä kynnyksellä voidaan arvioida kynnysarvon odotettavissa olevana väärien positiivisten lukumääränä jaettuna merkittäväksi kutsuttujen ominaisuuksien odotetulla lukumäärällä sillä kynnyksellä.
Kuinka arvioimme E [S (t)]?
E [S (t)] on yksinkertaisesti S (t), havaittujen p-arvojen lukumäärä ≤ t (eli niiden ominaisuuksien lukumäärä, joita kutsumme merkittäviksi valitulla kynnyksellä). Nollan p-arvon todennäköisyys on ≤ t on t (kun alfa = 0,05, on 5% todennäköisyys, että todella nollan ominaisuudella on p-arvo, joka on sattuman alapuolella kynnyksen alapuolella ja jota kutsutaan siksi merkittäväksi).
Kuinka arvioimme E [V (t)]?
E [V (t)] = m0 * t -> odotettujen väärien positiivisten lukumäärä tietyllä kynnyksellä on yhtä suuri kuin nollaominaisuuksien lukumäärä kertaa todennäköisyys, että nollaominaisuutta kutsutaan merkittäväksi.
Kuinka arvioimme m0?
M0: n todellista arvoa ei tunneta. Voimme arvioida niiden ominaisuuksien osuuden, jotka ovat todella nollia, m0 / m = π0.
Oletetaan, että nollaominaisuuksien p-arvot jakautuvat tasaisesti (niillä on tasainen jakauma) [0,1]: n välillä. Litteän jakauman korkeus antaa konservatiivisen arvion nollap-arvojen π0 kokonaisosuudesta. Esimerkiksi alla oleva kuva, joka on otettu Storystä ja Tibshiranista (2003), on 3000 p-arvon tiheyshistogrammi 3000 geenille geeniekspressiotutkimuksesta. Katkoviiva edustaa histogrammin tasaisen osan korkeutta. Odotamme todella nollaominaisuuksien muodostavan tämän tasaisen jakauman arvosta [0,1], ja todella vaihtoehtoisten ominaisuuksien olevan lähempänä nollaa.

π0 on kvantifioitu siten, että lambda on viritysparametri (esimerkiksi yllä olevassa kuvassa voimme valita lambda = 0,5, koska p-arvon 0,5 jälkeen jakauma on melko tasainen. Todella nollaominaisuuksien osuus on yhtä suuri kuin p -arvot, jotka ovat suurempia kuin lambda jaettuna m: llä (1-lambda). Kun lambda lähestyy 0: ta (kun suurin osa jakaumasta on tasainen), nimittäjä on noin m, samoin kuin osoittaja, koska suurin osa p-arvoista on suurempi kuin lambda, ja π0 on noin 1 (kaikki ominaisuudet ovat nollia).
Lambda-valinnat automatisoidaan yleensä tilasto-ohjelmilla.

Nyt kun olemme arvioineet π0, voimme arvioida FDR: n (t) muodossa
Tämän yhtälön osoittaja on vain odotettavissa oleva väärien positiivisten lukumäärä, koska π0 * m on arvioitu määrä nollahypoteeseja ja t on todennäköisyys, että todella nollaominaisuutta kutsutaan merkittäväksi (kynnyksen t alapuolella). Kuten edellä sanoimme, nimittäjä on yksinkertaisesti merkittäviksi kutsuttujen ominaisuuksien määrä.
Tällöin ominaisuuden q-arvo on pienin FDR, joka voidaan saavuttaa kutsuttaessa tätä ominaisuutta merkittäväksi.

(Huomaa: yllä olevissa määritelmissä oletetaan, että m on hyvin suuri, joten S> 0. Kun S = 0, FDR on määrittelemätön, joten tilastokirjallisuudessa määrä E [V /? S? | S> 0]? * Pr (S> 0) käytetään FDR: nä. Vaihtoehtoisesti käytetään positiivista FDR: ää (pFDR), joka on E [V / S? | S> 0]. Katso Benjamini ja Hochberg (1995) sekä Storey ja Tibshirani (2003). Lisätietoja.)

ny kertaa v meitä

Lukemat

Oppikirjat ja luvut

Viimeisimmät edistykset biostatiikassa (osa 4):
Väärät löydökset, selviytymisanalyysi ja niihin liittyvät aiheet
Toimittaneet Manish Bhattacharjee (New Jersey Institute of Technology, USA), Sunil K Dhar (New Jersey Institute of Technology, USA) ja Sundarraman Subramanian (New Jersey Institute of Technology, USA).
http://www.worldscibooks.com/lifesci/8010.html
Tämän kirjan ensimmäisessä luvussa esitellään katsaus alan merkittävien tilastotieteilijöiden ehdottamiin FDR-valvontamenetelmiin ja ehdotetaan uutta mukautuvaa menetelmää, joka ohjaa FDR: ää, kun p-arvot ovat riippumattomia tai positiivisesti riippuvaisia.

Intuitiivinen biostatistiikka: Ei-matemaattinen opas tilastolliseen ajatteluun
kirjoittanut Harvey Motulsky
http://www.amazon.com/Intuitive-Biostatistics-Nonmathematical-Statistical-Thinking/dp/product-description/0199730067
Tämä on tilastokirja, joka on kirjoitettu tutkijoille, joilla ei ole monimutkaista tilastotausta. Osa E, Tilastojen haasteet, selittää maallikkona useiden vertailujen ongelman ja erilaiset tapat käsitellä sitä, mukaan lukien peruskuvaukset perhekohtaisesta virhetasosta ja FDR: stä.

Laajamittainen päättely: empiiriset Bayes-menetelmät estimointia, testausta ja ennustamista varten
kirjoittanut Efron, B. (2010). Matemaattisten tilastojen instituutin monografiat, 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
Tässä kirjassa tarkastellaan FDR: n käsitettä ja tutkitaan sen arvoa paitsi arviointimenettelynä myös merkitsevyyden testausobjektina. Kirjoittaja antaa myös empiirisen arvion FDR-estimaattien tarkkuudesta.

Metodologiset artikkelit

Benjamini, Y. ja Y. Hochberg (1995). Väärän löydöksen määrän hallinta: käytännöllinen ja tehokas tapa testata useita kertoja. Journal of the Royal Statistics Society. Sarja B (metodologinen) 57 (1): 289-300.
Tämä vuoden 1995 paperi oli ensimmäinen virallinen kuvaus FDR: stä. Kirjoittajat selittävät matemaattisesti, kuinka FDR liittyy perhekohtaiseen virhesuhteeseen (FWER), tarjoavat yksinkertaisen esimerkin FDR: n käytöstä ja suorittavat simulaatiotutkimuksen, joka osoittaa FDR-menettelyn voiman verrattuna Bonferroni-tyyppisiin menettelyihin.

Storey, J. D. ja R. Tibshirani (2003). Tilastollinen merkitys genomin laajuisille tutkimuksille. Kansallisen tiedeakatemian toimet 100 (16): 9440-9445.
Tässä artikkelissa selitetään, mikä FDR on ja miksi se on tärkeä genomimittaisten tutkimusten kannalta, ja selitetään, kuinka FDR voidaan arvioida. Se antaa esimerkkejä tilanteista, joissa FDR olisi hyödyllinen, ja tarjoaa läpileikkaavan esimerkin siitä, kuinka kirjoittajat käyttivät FDR: ää analysoimaan mikrorake-differentiaaligeeniekspressiotietoja.

Kerros JD. (2010) Vääriä löydöksiä. Julkaisussa International Encyclopedia of Statistics Science, Lovric M (toimittaja).
Erittäin hyvä artikkeli, joka tarkastelee FDR-ohjausta, positiivista FDR: ää (pFDR) ja riippuvuutta. Suosittelemme yksinkertaistetun yleiskuvan saamiseksi FDR: stä ja siihen liittyvistä menetelmistä useita vertailuja varten.

Reiner A, Yekutieli D, Benjamini Y: Erilaisten ekspressoitujen geenien tunnistaminen vääriä löydöstaajuutta säätelevillä menettelyillä. Bioinformatiikka 2003, 19 (3): 368-375.
Tämä artikkeli käyttää simuloituja mikrorake-tietoja verrattaessa kolmea näytteenottoon perustuvaa FDR-ohjausproseduuria Benjamini-Hochberg -prosessiin. Testitilastojen uudelleenotanta tehdään, jotta ei oteta huomioon kunkin geenin differentiaalisen ilmentymisen testitilastojen jakaumaa.

Verhoeven KJF, Simonsen KL, McIntyre LM: Väärien etsintänopeuksien hallinnan toteuttaminen: tehon lisääminen. Oikos 2005, 108 (3): 643-647.
Tässä artikkelissa selitetään Benjamini-Hochberg -menettely, annetaan simulointiesimerkki ja keskustellaan FDR-kentän viimeaikaisesta kehityksestä, joka voi tarjota enemmän virtaa kuin alkuperäinen FDR-menetelmä.

Stan Pounds ja Cheng Cheng (2004) Väärien löydösten määrän arvioinnin parantaminen Bioinformatics Vol. 20 ei. 11 2004, sivut 1737–1745.
Tässä artikkelissa esitellään menetelmä, jota kutsutaan välilyönteiksi LOESS-histogrammi (SPLOSH). Tätä menetelmää ehdotetaan ehdollisen FDR: n (cFDR) arvioimiseksi, koska odotettavissa olevien väärien positiivisten osuuksien ehtona on k 'merkittäviä' havaintoja.

Daniel Yekutieli, Yoav Benjamini (1998) Resampling-pohjainen väärän löydön määrä, joka kontrolloi useita testimenettelyjä korreloiville testitilastoille Journal of Statistics Planning and Inference 82 (1999) 171-196.
Tässä artikkelissa otetaan käyttöön uusi FDR-valvontamenetelmä keskenään korreloivien testitilastojen käsittelemiseksi. Menetelmässä lasketaan p-arvo uudelleennäytteistämisen perusteella. Tämän menetelmän ominaisuudet arvioidaan simulaatiotutkimuksella.

Yoav Benjamini ja Daniel Yekutieli (2001) Väärän löydöksen määrän hallinta monitestauksessa riippuvuussuhteissa The Annals of Statistics 2001, Voi. 29, nro 4, 1165–1188.
Alun perin ehdotettu FDR-menetelmä oli tarkoitettu käytettäväksi riippumattomien testitilastojen usean hypoteesin testauksessa. Tämä artikkeli osoittaa, että alkuperäinen FDR-menetelmä ohjaa myös FDR: ää, kun testitilastoilla on positiivinen regressioriippuvuus jokaisesta todellista nollahypoteesia vastaavasta testitilastosta. Esimerkki riippuvaisista testitilastoista on useiden päätetapahtumien testaaminen hoito- ja kontrolliryhmien välillä kliinisessä tutkimuksessa.

New Yorkin teknilliset korkeakoulut

John D. Storey (2003) Positiivisen väärän löydön määrä: Bayesilainen tulkinta ja q-arvo The Annals of Statistics 2003, Vuosikerta. 31, nro 6, 2013–2035.
Tässä artikkelissa määritetään positiivinen väärien löydösten määrä (pFDR), joka on odotettavissa olevien väärien positiivisten lukumäärä kaikista merkittäviksi kutsutuista testeistä, koska on olemassa vähintään yksi positiivinen havainto. Paperi tarjoaa myös Bayesin tulkinnan pFDR: stä.

Yudi Pawitan, Stefan Michiels, Serge Koscielny, Arief Gusnanto ja Alexander Ploner (2005) Väärien löydösten määrä, herkkyys ja otoskoko mikroarray-tutkimuksissa Bioinformatics Vol. 21 ei. 13 2005, sivut 3017–3024.
Tässä artikkelissa kuvataan menetelmä otoksen koon laskemiseksi kaksinäytteiselle vertailututkimukselle, joka perustuu FDR-säätöön ja herkkyyteen.

Grant GR, Liu J, Stoeckert CJ Jr. (2005) Käytännöllinen väärien löydösten määrälähestymistapa erilaisten ilmentymismallien tunnistamiseksi mikropiirustiedoissa. Bioinformatiikka. 2005, 21 (11): 2684-90.
Kirjoittajat kuvaavat permutaation estimointimenetelmiä ja keskustelevat kysymyksistä, jotka liittyvät tutkijan valitsemaan tilasto- ja tiedonsiirtomenetelmiin. Tutkitaan myös mikrorake-datan käyttöön liittyvää tehon optimointia.

Jianqing Fan, Frederick L.Moore, Xu Han, Weijie Gu, Väärien löydösten osuuden arviointi mielivaltaisesta kovarianssiriippuvuudesta. J Am Stat Assoc. 2012; 107 (499): 1019–1035.
Tässä artikkelissa ehdotetaan ja kuvataan menetelmä FDR: n hallitsemiseksi, joka perustuu testitilastojen kovarianssimatriisin päätekijäkeskiarviointiin.

Sovellusartikkelit

Han S, Lee K-M, Park SK, Lee JE, Ahn HS, Shin HY, Kang HJ, Koo HH, Seo JJ, Choi JE et ai .: Genomin kattava yhdistystutkimus lapsuuden akuutista lymfoblastisesta leukemiasta Koreassa. Leukemiatutkimus 2010, 34 (10): 1271-1274.
Tämä oli genomin laajuinen yhdistys (GWAS) -tutkimus, jossa testattiin miljoona yksittäistä nukleotidipolymorfismia (SNP) yhdistämiseksi lapsuuden akuuttiin lymfoblastiseen leukemiaan (ALL). He kontrolloivat FDR: ää 0,2: lla ja löysivät 6 SNP: tä 4 eri geenissä, jotka liittyivät voimakkaasti ALL-riskiin.

Pedersen, K.S., Bamlet, W.R., Oberg, A.L., de Andrade, M., Matsumoto, M.E., Tang, H., Thibodeau, S.N., Petersen, G.M. ja Wang, L. (2011). Leukosyyttien DNA-metylaation allekirjoitus erottaa haimasyöpäpotilaat terveestä kontrollista. PLoS ONE 6, e18223.
Tämä tutkimus kontrolloi FDR: ää<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 ai. LEPR-, CRY1-, RNASEL-, IL4- ja ARVCF-geenien geneettiset vaihtoehdot ovat eturauhassyöpäkohtaisia Kuolleisuus (2011), Cancer Epidemiol Biomarkers Prev.2011; 20: 1928-1936. Tässä tutkimuksessa tutkittiin eturauhassyövän puhkeamiseen liittyvää valittujen ehdokasgeenien vaihtelua sen ennustearvon testaamiseksi korkean riskin yksilöiden keskuudessa. FDR: ää käytettiin yksittäisten nukleotidipolymorfismien (SNP) sijoittamiseen ja kiinnostavimpien huippuluokan tunnistamiseen.

Radom-Aizik S, Zaldivar F, Leu S-Y, Adams GR, Oliver S, Cooper DM: Harjoituksen vaikutukset mikroRNA-ilmentymiseen nuorilla miehillä perifeerisen veren mononukleaarisoluissa. Clinical and Translational Science 2012, 5 (1): 32-38.
Tässä tutkimuksessa tarkasteltiin mikroRNA: n ilmentymisen muutosta ennen harjoittelua ja sen jälkeen käyttämällä mikrorakeita. He käyttivät Benjamini-Hochberg-menettelyä FDR: n säätämiseen 0,05: ssä ja havaitsivat, että 34: stä 236: sta mikro-RNA: sta oli erilaista ilmentymistä. Sitten tutkijat valitsivat näistä 34: stä mikro-RNA: t vahvistettaviksi reaaliaikaisella PCR: llä.

Verkkosivustot

R tilastopaketti
http://genomine.org/qvalue/results.html
Huomautettu R-koodi, jota käytetään Storey ja Tibshirani (2003) -artikkelin tietojen analysointiin, mukaan lukien linkki datatiedostoon. Tämä koodi voidaan mukauttaa toimimaan minkä tahansa matriisidatan kanssa.

hiroshima ja nagasaki kuolemien määrä

http://www.bioconductor.org/packages/release/bioc/html/qvalue.html
qvalue-paketti R: lle

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

Journal R Project on R Foundation for Statistics Computingin vertaisarvioitu, avoimen julkaisun julkaisu. Tämä nide sisältää Megan Orrin ja Peng Liu'n artikkelin nimeltä 'Sample Size Estimation While Controlling False Discovery Rates for Microarray Experiments'. Erityisiä toimintoja ja yksityiskohtaisia ​​esimerkkejä annetaan.

http://strimmerlab.org/notes/fdr.html
Tämä sivusto tarjoaa luettelon R-ohjelmistoista FDR-analyysiä varten, ja linkit heidän kotisivulleen kuvaavat paketin ominaisuuksia.

SAS
http://support.sas.com/documentation/cdl/fi/statug/63347/HTML/default/viewer.htm#statug_multtest_sect001.htm
Kuvaus SAS: n PROC MULTTEST -sovelluksesta, joka tarjoaa vaihtoehtoja FDR: n ohjaamiseksi eri menetelmillä.

OSAVALTIO
http://www.stata-journal.com/article.html?article=st0209
Tarjoaa STATA-komennot q-arvojen laskemista varten usean testin menettelytavoille (laske FDR: n mukautetut q-arvot).

FDR_yleiset verkkoresurssit
http://www.math.tau.ac.il/~ybenja/fdr/index.htm
Sivusto, jota hallinnoivat Tel Avivin yliopiston tilastotieteilijät, jotka esittivät virallisesti FDR: n.

http://www.math.tau.ac.il/~ybenja/
Tällä FDR-verkkosivustolla on monia viitteitä. Luento FDR: stä on nähtävissä.

http://www.cbil.upenn.edu/PaGE/fdr.html
Mukava, tiivis selitys FDR: lle. Annetaan hyödyllinen yhdellä silmäyksellä yhteenveto esimerkin kanssa.

http://www.rowett.ac.uk/~gwh/False-positives-and-the-qvalue.pdf
Lyhyt katsaus vääriä positiivisia ja q-arvoja.

Kurssit

Christopher R.Genovesen tilastotieteen laitos Carnegie Mellon University.
Tämä powerpoint on erittäin perusteellinen opetusohjelma jollekin, joka on kiinnostunut oppimaan FDR: n matemaattiset perustelut ja FDR-muunnelmat.

Useita testejä kirjoittanut Joshua Akey, genomitieteiden laitos, Washingtonin yliopisto.
Tämä powerpoint tarjoaa hyvin intuitiivisen käsityksen useista vertailuista ja FDR: stä. Tämä luento on hyvä niille, jotka etsivät yksinkertaista ymmärrystä FDR: stä ilman paljon matematiikkaa.

Paikallisen väärän löydön määrän arvioiminen kahden luokan välisen differentiaalilausekkeen havaitsemisessa.
Geoffrey MacLachlan, professori, Queenslandin yliopisto, Australia.
www.youtube.com/watch?v=J4wn9_LGPcY
Tästä videoluennosta oli apua paikallisen FDR: n oppimisessa, mikä on todennäköisyys, että tietty hypoteesi on totta, kun otetaan huomioon sen erityinen testitilasto tai p-arvo.

Vääriä etsintänopeuden kontrollimenettelyjä erillisissä testeissä
Tilaisuuden ja operaatiotutkimuksen laitoksen professori Ruth Hellerin esitys. Tel Avivin yliopisto
http://www.youtube.com/watch?v=IGjElkd4eS8
Tämä videoluento oli hyödyllinen oppia FDR-ohjauksen soveltamisesta erilliseen dataan. Keskustellaan useista FDR-ohjauksen tehostamis- ja alentamismenettelyistä erillisten tietojen käsittelyssä. Tarkastellaan vaihtoehtoja, jotka viime kädessä auttavat lisäämään tehoa.

Mielenkiintoisia Artikkeleita

Toimituksen Valinta

Kontemplatiivinen pedagogiikka
Kontemplatiivinen pedagogiikka
Yleinen syyttäjä v. Francesco De Carolis
Yleinen syyttäjä v. Francesco De Carolis
Columbian maailmanlaajuinen sananvapaus pyrkii edistämään kansainvälisten ja kansallisten normien ja instituutioiden ymmärtämistä, jotka parhaiten suojaavat tiedon ja ilmaisun vapaata liikkuvuutta toisiinsa yhteydessä olevassa globaalissa yhteisössä, jossa on suuria yhteisiä haasteita. Tehtävänsä saavuttamiseksi maailmanlaajuinen sananvapaus toteuttaa ja teettää tutkimus- ja poliittisia hankkeita, järjestää tapahtumia ja konferensseja sekä osallistuu ja osallistuu maailmanlaajuisiin keskusteluihin sananvapauden ja tiedon vapauden suojelemisesta 2000-luvulla.
Columbian yliopisto käynnistää Shawn 'JAY-Z' Carter -luentosarjan
Columbian yliopisto käynnistää Shawn 'JAY-Z' Carter -luentosarjan
Sarja aloitettiin legendaarisen taiteilijan ja journalismiprofessori Jelani Cobbin laajalla keskustelulla.
Kone, joka pystyy lukemaan mieltäsi
Kone, joka pystyy lukemaan mieltäsi
Columbian magneettiresonanssitutkimuskeskuksessa tutkijat paljastavat ihmisen ajatusten, muistojen ja tunteiden hermopohjan - ja jakavat lupauksen huipputason aivojen skannaustekniikasta maailman kanssa.
Ritarin ensimmäinen muutosinstituutti v. Donald J. Trump
Ritarin ensimmäinen muutosinstituutti v. Donald J. Trump
Columbian maailmanlaajuinen sananvapaus pyrkii edistämään kansainvälisten ja kansallisten normien ja instituutioiden ymmärtämistä, jotka parhaiten suojaavat tiedon ja ilmaisun vapaata liikkuvuutta toisiinsa yhteydessä olevassa globaalissa yhteisössä, jossa on suuria yhteisiä haasteita. Tehtävänsä saavuttamiseksi maailmanlaajuinen sananvapaus toteuttaa ja teettää tutkimus- ja poliittisia hankkeita, järjestää tapahtumia ja konferensseja sekä osallistuu ja osallistuu maailmanlaajuisiin keskusteluihin sananvapauden ja tiedon vapauden suojelemisesta 2000-luvulla.
GOOGLE JULKAISEE KROMEN TURVALLISUUSPÄIVITYKSET 10. toukokuuta 2021
GOOGLE JULKAISEE KROMEN TURVALLISUUSPÄIVITYKSET 10. toukokuuta 2021
Teachers College, Columbian yliopisto, on ensimmäinen ja suurin tutkijakoulu Yhdysvalloissa, ja se on myös monivuotinen maan parhaimpien joukossa.
Se on Bradford
Se on Bradford
Johtava tutkija EU: n sääntelyvoimasta ja haluttu kommentaattori Euroopan unionista ja Brexitistä Anu Bradford otti käyttöön termin Bryssel-vaikutus kuvaamaan Euroopan unionin ylimitoitettua vaikutusvaltaa globaaleilla markkinoilla. Viime aikoina hän on kirjoittanut Brysselin vaikutus: Kuinka Euroopan unioni hallitsee maailmaa (2020), jonka ulkoasiainministeriö nimitti yhdeksi vuoden 2020 parhaista kirjoista. Bradford on myös kansainvälisen kauppaoikeuden ja kilpailulainsäädännön asiantuntija. Hän johtaa vertailevaa kilpailulaki -hanketta, joka on rakentanut kattavan maailmanlaajuisen tietosarjan kilpailulakeja ja lainvalvontaa eri aikoina ja lainkäyttöalueilla. Oikeustieteellisen korkeakoulun ja Chicagon yliopiston oikeustieteellisen korkeakoulun yhteinen hanke kattaa yli vuosisadan sääntelyn yli 100 maassa ja on ollut Bradfordin viimeaikaisen empiirisen tutkimuksen perusta markkinoiden sääntelyssä käytetyistä kilpailusäännöistä. Ennen siirtymistään lakikoulun tiedekuntaan vuonna 2012 Bradford oli apulaisprofessori Chicagon yliopiston lakikoulussa. Hän on myös harjoittanut EU: n ja kilpailulakeja Brysselissä ja toiminut talouspoliittisena neuvonantajana Suomen eduskunnassa ja asiantuntija-avustajana Euroopan parlamentissa. Maailman talousfoorumi nimitti hänet nuoreksi globaaliksi johtajaksi '10. Oikeustieteellisessä tiedekunnassa Bradford on Euroopan oikeudellisten tutkimusten keskuksen johtaja, joka kouluttaa opiskelijoita johtotehtäviin Euroopan oikeudessa, julkisissa asioissa ja maailmantaloudessa. Hän on myös vanhempi tutkija Columbia Business Schoolin Jerome A. Chazen -instituutissa globaalista liiketoiminnasta ja ulkomaalainen tutkija Carnegie Endowment for International Peace -säätiössä.