多重比较英文解释翻译、多重比较的近义词、反义词、例句

英语翻译：

【化】 multiple comparisons

分词翻译：

多的英语翻译：

excessive; many; more; much; multi-
【计】 multi
【医】 multi-; pleio-; pleo-; pluri-; poly-

重的英语翻译：

again; layer; repeat; scale; weight
【计】 repetitive group
【医】 hyper-; weight; wt.

比较的英语翻译：

compare; assimilate; confront; comparison; comparatively; relatively
【计】 compare; match
【医】 cf.; confero
【经】 compare; comparison

专业解析

多重比较（Multiple Comparisons）是统计学中涉及多个假设检验同时进行的分析方法，其核心问题在于随着检验次数增加，第一类错误（假阳性）概率显著上升。根据《统计学导论》定义，当研究者对同一数据集执行n次独立检验时，总体错误率将膨胀为： $$ 1 - (1-alpha)^n $$ 其中α为单次检验显著性水平（通常取0.05）。例如进行10次检验时，至少出现1次假阳性的概率将升至40%。

该现象最早由英国统计学家Carlo Emilio Bonferroni于1936年提出修正方法，其核心公式： $$ alpha_{adjusted} = alpha/n $$ 通过降低单个检验的显著性阈值来控制家族错误率。美国国立卫生研究院（NIH）在临床试验指南中明确要求，涉及多重比较的研究必须声明使用的校正方法。

当前主流校正方法包括：

Bonferroni校正：保守但易实施的方法
Holm-Bonferroni法：改进版逐步检验流程
False Discovery Rate（FDR）：适用于大规模数据集的贝叶斯方法

在基因组学研究中，美国国家生物技术信息中心（NCBI）数据库要求，涉及基因表达谱分析的论文必须报告多重比较校正过程。典型案例如微阵列数据分析，常规需处理数万个假设检验。

网络扩展解释

多重比较（Multiple Comparisons）是统计学中的一个重要概念，指在同一研究中同时对多个假设进行检验时可能产生的误差问题。以下从核心问题、校正方法和应用场景三方面详细解释：

一、核心问题：假阳性风险增加

定义：当进行多次独立的统计检验（如t检验、卡方检验）时，即使所有原假设均为真，仍可能因随机波动而出现显著结果。例如，若每次检验的显著性水平设为0.05，进行20次检验时，至少出现一次假阳性的概率高达约64%（计算：(1 - (1-0.05)^{20} approx 0.64)）。
典型场景：医学试验中比较多种药物疗效、基因组学中检测数万个基因的差异表达等。

二、常用校正方法

Bonferroni校正
- 方法：将显著性水平(alpha)调整为(alpha/n)（(n)为检验次数）。例如，10次检验时，单次检验的阈值变为0.005。
- 特点：简单但保守，可能漏掉真实效应。
Holm-Bonferroni法
- 方法：按p值从小到大排序，逐步调整阈值（首个检验用(alpha/n)，第二个用(alpha/(n-1))，依此类推）。
- 特点：比Bonferroni更高效，平衡了严格性与灵敏度。
Benjamini-Hochberg（BH）法
- 方法：控制错误发现率（FDR），允许一定比例的假阳性。将p值排序后，找到满足(p_{(i)} leq alpha cdot i/n)的最大i值。
- 适用场景：探索性研究（如基因表达分析），可接受部分假阳性以保留更多潜在发现。

三、应用实例

假设研究者比较三种药物（A、B、C）与安慰剂的疗效，需进行3次t检验：

未校正：每次检验用(alpha=0.05)，整体假阳性风险升至约14%（(1 - (1-0.05) approx 0.14)）。
Bonferroni校正：单次检验阈值变为(0.05/3 approx 0.0167)，仅当p值<0.0167时才认为显著。

四、注意事项

方法选择：保守方法（如Bonferroni）适合验证性研究；宽松方法（如BH）适合探索性分析。
过度校正风险：过于严格的校正可能增加第二类错误（漏掉真实效应），需权衡研究目标。

通过合理校正多重比较，可提升统计结论的可靠性，避免因随机性导致的错误推断。