多重比較英文解釋翻譯、多重比較的近義詞、反義詞、例句

英語翻譯：

【化】 multiple comparisons

分詞翻譯：

多的英語翻譯：

excessive; many; more; much; multi-
【計】 multi
【醫】 multi-; pleio-; pleo-; pluri-; poly-

重的英語翻譯：

again; layer; repeat; scale; weight
【計】 repetitive group
【醫】 hyper-; weight; wt.

比較的英語翻譯：

compare; assimilate; confront; comparison; comparatively; relatively
【計】 compare; match
【醫】 cf.; confero
【經】 compare; comparison

專業解析

多重比較（Multiple Comparisons）是統計學中涉及多個假設檢驗同時進行的分析方法，其核心問題在于隨着檢驗次數增加，第一類錯誤（假陽性）概率顯著上升。根據《統計學導論》定義，當研究者對同一數據集執行n次獨立檢驗時，總體錯誤率将膨脹為： $$ 1 - (1-alpha)^n $$ 其中α為單次檢驗顯著性水平（通常取0.05）。例如進行10次檢驗時，至少出現1次假陽性的概率将升至40%。

該現象最早由英國統計學家Carlo Emilio Bonferroni于1936年提出修正方法，其核心公式： $$ alpha_{adjusted} = alpha/n $$ 通過降低單個檢驗的顯著性阈值來控制家族錯誤率。美國國立衛生研究院（NIH）在臨床試驗指南中明确要求，涉及多重比較的研究必須聲明使用的校正方法。

當前主流校正方法包括：

Bonferroni校正：保守但易實施的方法
Holm-Bonferroni法：改進版逐步檢驗流程
False Discovery Rate（FDR）：適用于大規模數據集的貝葉斯方法

在基因組學研究中，美國國家生物技術信息中心（NCBI）數據庫要求，涉及基因表達譜分析的論文必須報告多重比較校正過程。典型案例如微陣列數據分析，常規需處理數萬個假設檢驗。

網絡擴展解釋

多重比較（Multiple Comparisons）是統計學中的一個重要概念，指在同一研究中同時對多個假設進行檢驗時可能産生的誤差問題。以下從核心問題、校正方法和應用場景三方面詳細解釋：

一、核心問題：假陽性風險增加

定義：當進行多次獨立的統計檢驗（如t檢驗、卡方檢驗）時，即使所有原假設均為真，仍可能因隨機波動而出現顯著結果。例如，若每次檢驗的顯著性水平設為0.05，進行20次檢驗時，至少出現一次假陽性的概率高達約64%（計算：(1 - (1-0.05)^{20} approx 0.64)）。
典型場景：醫學試驗中比較多種藥物療效、基因組學中檢測數萬個基因的差異表達等。

二、常用校正方法

Bonferroni校正
- 方法：将顯著性水平(alpha)調整為(alpha/n)（(n)為檢驗次數）。例如，10次檢驗時，單次檢驗的阈值變為0.005。
- 特點：簡單但保守，可能漏掉真實效應。
Holm-Bonferroni法
- 方法：按p值從小到大排序，逐步調整阈值（首個檢驗用(alpha/n)，第二個用(alpha/(n-1))，依此類推）。
- 特點：比Bonferroni更高效，平衡了嚴格性與靈敏度。
Benjamini-Hochberg（BH）法
- 方法：控制錯誤發現率（FDR），允許一定比例的假陽性。将p值排序後，找到滿足(p_{(i)} leq alpha cdot i/n)的最大i值。
- 適用場景：探索性研究（如基因表達分析），可接受部分假陽性以保留更多潛在發現。

三、應用實例

假設研究者比較三種藥物（A、B、C）與安慰劑的療效，需進行3次t檢驗：

未校正：每次檢驗用(alpha=0.05)，整體假陽性風險升至約14%（(1 - (1-0.05) approx 0.14)）。
Bonferroni校正：單次檢驗阈值變為(0.05/3 approx 0.0167)，僅當p值<0.0167時才認為顯著。

四、注意事項

方法選擇：保守方法（如Bonferroni）適合驗證性研究；寬松方法（如BH）適合探索性分析。
過度校正風險：過于嚴格的校正可能增加第二類錯誤（漏掉真實效應），需權衡研究目标。

通過合理校正多重比較，可提升統計結論的可靠性，避免因隨機性導緻的錯誤推斷。