สมมติฐานการพึ่งพา Benjamini-Hochberg เป็นธรรม?

ฉันมีชุดข้อมูลที่ฉันทดสอบความแตกต่างอย่างมีนัยสำคัญระหว่างสามประชากรที่เกี่ยวกับตัวแปรที่แตกต่างกัน 50 รายการ ฉันทำสิ่งนี้โดยใช้การทดสอบ Kruskal-Wallis บนมือข้างหนึ่งและโดยการทดสอบอัตราส่วนความน่าจะเป็นของโมเดล GLM แบบซ้อนกันพอดี (ที่มีและไม่มีประชากรเป็นตัวแปรอิสระ) ในอีกด้านหนึ่ง

เป็นผลให้ฉันมีรายชื่อ Kruskal-Wallis $p$- ค่าในมือข้างหนึ่งและสิ่งที่ฉันคิดว่าเป็นไคสแควร์ $p$- ค่าจากการเปรียบเทียบ LRT ที่อื่น ๆ

ฉันต้องทำการแก้ไขการทดสอบหลายรูปแบบบางรูปแบบเนื่องจากมีการทดสอบมากกว่า 50 รายการและ Benjamini-Hochberg FDR ดูเหมือนว่าเป็นตัวเลือกที่เหมาะสมที่สุด

อย่างไรก็ตามตัวแปรอาจไม่เป็นอิสระโดยมี "แคลน" หลายตัวที่สัมพันธ์กัน คำถามคือ: ฉันจะบอกได้อย่างไรว่าชุดของสถิติพื้นฐานสำหรับฉัน$p$- ค่าตอบสนองความต้องการของการพึ่งพาในเชิงบวกที่จำเป็นสำหรับกระบวนการ Benjamini-Hochberg ที่จะยังคงผูกพันกับ FDR?

กระดาษ Benjamini-Hochberg-Yekutieli จากปี 2544 ระบุว่าสภาพ PRDS มีไว้สำหรับการแจกแจงแบบปกติหลายตัวแปรและการแจกแจงแบบนักศึกษา สิ่งที่เกี่ยวกับการทดสอบอัตราส่วนความน่าจะเป็นของฉันค่าไคสแควร์สำหรับการเปรียบเทียบแบบจำลอง? เกี่ยวกับ$p$- ค่าที่ฉันมีสำหรับการทดสอบ Kruskal-Wallis?

ฉันสามารถใช้การแก้ไข FDR ที่เลวร้ายที่สุดกรณี Benjamini-Hochberg-Yekutieli ที่ไม่มีอะไรขึ้นอยู่กับการพึ่งพา แต่ฉันคิดว่ามันอาจจะอนุรักษ์เกินไปในกรณีนี้และพลาดสัญญาณที่เกี่ยวข้องบางอย่าง

ความถูกต้องของกระบวนการ BH ขึ้นอยู่กับการทดสอบสมมติฐานที่ต้องพึ่งพาในเชิงบวก หากคุณอ่านรายงานประจำปี 2544 คุณจะเห็นว่ามันไม่จำเป็นที่จะต้องมีหลายตัวแปรตามปกติพวกเขาให้เงื่อนไขที่อ่อนแอในกระดาษ:

ความสัมพันธ์แบบมีเงื่อนไข (บวก) ของ Rosenbaum (1984) นั้นเพียงพอที่จะบ่งบอกถึง PRDS: $X$ มีความเกี่ยวข้องกับเงื่อนไขหากพาร์ติชันใด ๆ $(X1,$ $X2)$ ของ $X$และฟังก์ชั่นใด ๆ $h(X1), X2$ รับ $h(X1)$ มีความสัมพันธ์เชิงบวก

หากสิ่งเหล่านี้ดูเหมือนว่าเป็นข้อสันนิษฐานที่สมเหตุสมผลที่จะทำเกี่ยวกับข้อมูลของคุณเพียงแค่ประกาศว่าเป็นข้อสันนิษฐานและพยายามหาสถานการณ์ที่เป็นอยู่และไม่พบเพื่อชี้แจงให้ตัวคุณเอง

PRDS เป็นเงื่อนไขที่เพียงพอ แต่ไม่จำเป็นสำหรับ BH ในการควบคุม FDR ฉันขอแนะนำให้คุณใช้มันและยังใช้ขั้นตอน Benjamini-Yekutieli สำหรับการพึ่งพาทั่วไป หากความแตกต่างในการอนุมานมีขนาดใหญ่ลองแสดงให้เห็นว่า BH ควบคุม FDR ในการตั้งค่าเฉพาะของคุณโดยใช้วิธีการเรียงสับเปลี่ยนหรือเทคนิคการสุ่มตัวอย่างใหม่ที่ช่วยประหยัดโครงสร้างการพึ่งพาของคุณ