当q值与局部FDR均定义为原假设为真的后验概率时二者有何差异？

这是个非常容易混淆的点，刚接触多重检验贝叶斯指标的人几乎都会遇到这个困惑——尤其是读Storey 2010的文献时，很容易把q值和局部FDR搞混。咱们从核心定义和应用场景来拆解两者的差异：

q值（q-value） #

按照Storey给出的定义：
q-value(pi) = minₜ≥pi Pr(Hᵢ = 0|Pᵢ ≤ t)
它本质是集合层面的贝叶斯错误率上限：当你把所有p值≤pi的检验都判定为“显著”（拒绝原假设）时，这一组被拒绝的检验中，错误拒绝（原假设H₀为真）的比例的最小后验概率上限。你可以把它理解为贝叶斯版本的FDR控制指标，核心是针对一批检验的整体错误率控制，用来回答“我把所有p≤pi的检验都挑出来，这堆结果里假阳性的比例最多会是多少？”

局部FDR（local FDR） #

局部FDR的核心定义是Pr(Hᵢ = 0|Pᵢ = p)（实际应用中常近似为Pr(Hᵢ = 0|Pᵢ ≈ p)），它是单个检验层面的错误率指标：针对某个具体的p值p，这个检验的原假设实际上为真的后验概率。它关注的是“这个特定的检验结果（p值刚好是p），本身属于假阳性的概率”，用来回答“这个p值对应的检验，是假阳性的可能性有多大？”

为什么你会觉得两者“几乎一致”？ #

你提到的文献里局部FDR和q值看起来相似，是因为Storey会把pFDR（频率学FDR的贝叶斯对应）和局部FDR关联起来，但本质上：

• q值是对所有p≤t的检验集合计算的最小后验错误率上限，是“批量”评估；
• 局部FDR是对单个p值对应的检验计算的后验错误率，是“单点”评估。

举个直观的例子：假设你有100个检验结果，p值分布在0.01到0.5之间。q值(0.05)是所有p≤0.05的检验里，假阳性比例的最小贝叶斯上限；而局部FDR(0.05)是那个p值恰好等于0.05的检验，本身是假阳性的概率。

内容的提问来源于stack exchange，提问作者BKV