统计学之Bonferroni-corrected

相应地，任何未经修正前低于此限界的P值均需乘上m倍数再重新评估其是否仍小于初始设定阈值0.05才能判定为具有统计学意义。 ```spss COMPUTE corrected_p = original_p * number_of_tests . EXECUTE . ``` 以上代码...

仅当实际p值小于等于该临界值时才认为此对比具有统计学意义。 下面给出一段Python代码示例展示如何手动完成这一操作: ```python def bonferroni_correction(p_values, alpha=0.05): num_tests = len(p_values) ...

Bonferroni-Holm是一种用于调整统计显著性水平的方法，常用于多重比较的情况。 在科学研究中，我们经常需要进行多个假设的比较。传统的统计学方法会导致所谓的多重比较问题，即在进行多个假设的检验时，会增加错误发现的可能性。 Bonferroni-Holm方法就是为了解决多重比较问题而提出的。该方法首先将显著性水平（例如0.05）除以比较的假设数量，得到每个假设的显著性水平的临界值。然后按照顺序检验每个假设，如果某个假设的p值小于临界值，则认为该假设显著，否则不显著。 Bonferroni-Holm方法的优点是简单易懂，容易计算。它保证了整体的错误率控制在指定的显著性水平下，通过降低每个比较的显著性水平，从而减少了错误发现的可能性。 然而，Bonferroni-Holm方法也存在一些限制。由于它对每个比较都采取了相同的显著性水平，可能导致较大的功效损失。此外，它也假设所有假设是相互独立的，而在实际应用中，往往存在相关性，这可能导致误差。 综上所述，Bonferroni-Holm是一种常用的调整方法，用于控制多重比较中的错误率。通过降低每个比较的显著性水平，它可以有效控制错误发现的概率，在科学研究中具有重要的应用价值。