目的：
多次检验导致的大量假阳性
1. 如果是小概率事件（< 5%），我们就抛弃了最初的美好假设（H0：没有差异），认为观测的和预期不一样（接
受H1）；
2.但是依然有5%的概率，他们其实真的是一样的（小概率事件发生了）。那么我们就错误地否认了H0，这个犯错
的概率是5%（假阳性）；
3.如果检验一次，犯错的概率是5%；检验10000次，犯错的次数就是500次，即额外多出了500次差异的结论（即
使实际没有差异）。
多重检验校正，提高阈值：
1.提高阈值是为了控制假阳性的次数；
2.于是出现了多重检验校正；
方法：
1.Bonferroni
最简单而严厉的方法：Bonferroni法例如：如果检验10000次，将阈值降低到，阈值N=5%/ 10000=0.000005；即使检验10000次，N X 10000 = 5%。预期犯错的次数还是不到1次，抹杀了一切假阳性的概率。
最简单的方法：Bonferroni法• 问题：阈值太低（检验过于严格），结果找不到显著基因了（假阴性）。
FDR
FDR（ False Discovery Rate）用比较温柔的方法调整，试图在假阳性和假阴性间达到平衡(即，不是不让假阳性出现，只是将假/真阳性比例控制在一定范围内）；
我们目标是试图得到一个校正后的阈值，来实现：在发现的差异结果中，假阳性控制在极低比例；例如，检验10000次，无论我们得到多少差异基因，能不能保证其中定性为差异基因结果中，错误率在5%以内。如果找到差异基因100个，我能做到拍着胸脯说：“假的差异基因不多于5个”。这就叫FDR< 5%。
FDR、Q value、adjusted p value
• P value：衡量假阳性率的指标（False positive rate） ；
• q value：衡量错误发现率的指标（False discovery rate，简称FDR）。即：使用Q value的这个参数预估FDR。
由于Q value 需要利用公式从P value 校正计算后得到，所以Q value 通常又被称为adjusted p value。
所以一般情况下：我们可以认为Q value = FDR = adjusted p value，即三者是一个东西，虽然有些定义上的细微区别，但是问题也不大。
P value 和 Q value的比较：
P value < 5% 和 Q value < 5% 的区别
P value
只为某一次检验负责；
这次检验的假阳性率（这次，我能犯错的概率）
Q value
Q value 是为所有次数的检验负责；
按照这个设定标准，完成多次检验后，阳性显著
的结果中错误的比例多大？
