Pruebas de hipótesis múltiples con FDR en R - FDRtool y p.adjust

Question

Soy muy nuevo en este campo, así que por favor tengan paciencia conmigo. Tengo 600 parámetros, en los que realizo correlaciones simples por pares x,y. Para el ajuste de los valores p he estado atascado entre dos paquetes de R.

La herramienta FDR me da un conjunto de valores q,

FDR <- fdrtool(as.vector(a$P[!is.na(a)]), statistic=c("pvalue"), cutoff.method=c("fndr"))

mientras que el comando p.adjust de los paquetes básicos me da valores p ajustados.

FDR <- p.adjust(as.vector(a$P), method = "fdr", n = length(as.vector(a$P)))

"a" es un objeto creado por el comando hcorr del paquete "Hmisc"

Sin embargo, el resultado no es el mismo.

¿Puede alguien explicarme por qué es así? ¿Y cómo proceder a partir de aquí? Me han dicho que los valores p ajustados (obtenidos con p.adjust) pueden tratarse como tales, y que puedo definir un límite de 0,05 para los falsos positivos. Sin embargo, no estoy tan seguro de los valores q y de si me estoy perdiendo algo fundamental sobre las tasas de falsos descubrimientos. Muchas gracias.

Answer 1

La herramienta FDR calcula los valores q estimando la fracción nula empíricamente a partir de los datos. p.adjust() con el método "fdr" utiliza el enfoque de Benjamini-Hochberg, que supone efectivamente que la fracción nula es siempre 1,0. Esto implica que la p.adjust Los valores p son estocásticamente más altos que los valores q, y sólo son iguales si la fracción nula estimada empíricamente por FDRtool es 1,0.

Answer 2

El paquete R cp4p permite comparar y utilizar ocho métodos diferentes de estimación de la proporción de hipótesis nulas verdaderas para ajustar los valores p.

Los métodos de estimación pueden dar resultados muy diferentes cuando los valores p no están distribuidos uniformemente bajo la hipótesis nula. Esto puede surgir en presencia de dependencias entre las pruebas. Una elección más cercana al valor real aumentará la eficacia y la potencia.