Exponenta Banner
exponenta event banner

mafdr

Оцените положительную частоту ложных открытий для многократной проверки гипотез

Свернуть все на странице

Синтаксис

FDR = mafdr(PValues)
FDR = mafdr(PValues,Name,Value)
[FDR,Q] = mafdr(PValues,___)
[FDR,Q,aPrioriProb] = mafdr(PValues,___)
[FDR,Q,aPrioriProb,R_squared] = mafdr(PValues,'Method','polynomial',___)

Описание

пример

FDR = mafdr(PValues) возвращает FDR который содержит положительную частоту ложного обнаружения (pFDR) для каждой записи в PValues использование процедуры, введенной Стори (2002) [1]. PValues содержит по одному p-значению для каждой функции (для примера, гена) в наборе данных.

пример

FDR = mafdr(PValues,Name,Value) использует дополнительные опции, заданные одним или несколькими аргументами пары "имя-значение". Для примера, 'Showplot',true отображает диагностические графики вычисленных результатов.

пример

[FDR,Q] = mafdr(PValues,___) также возвращает измерения ошибок тестирования гипотез Q для всех значений p. Вы можете задать один или несколько аргументы пары "имя-значение".

пример

[FDR,Q,aPrioriProb] = mafdr(PValues,___) также возвращается aPrioriProb, оцененная априорная вероятность того, что нулевая гипотеза π^0 является true.

пример

[FDR,Q,aPrioriProb,R_squared] = mafdr(PValues,'Method','polynomial',___) также возвращается R_squared, квадрат коэффициента корреляции. Используйте полиномиальный метод, чтобы получить R-квадрат значения.

Примеры

свернуть все

Открыть Live Script

Оцените положительный FDR, используя данные исследования рака предстательной железы (Best et al., 2005). Данные содержат данные интенсивности зондирования из массивов Affymetrix ® HG-U133A GeneChip ®.

Загрузите данные экспрессии генов. Он содержит две переменные, dependentData и independentData это две матрицы значений экспрессии генов из двух экспериментальных условий.

load prostatecancerexpdata

Использование mattest вычислить значения p-экспрессии генов в двух матрицах.

pvalues = mattest(dependentData,independentData,'permute',true);

Использование mafdr для вычисления положительных значений FDR.

fdr = mafdr(pvalues);

Вычислим q-значения, априорную вероятность (что гипотеза null верна) и R-квадрат значения. Необходимо использовать полиномиальный метод, чтобы получить R-квадрат значения. Постройте график данных путем установки 'Showplot' на true.

[fdr,q,priori,R2] = mafdr(pvalues,'Method','polynomial','Showplot',true);

Figure contains 2 axes. Axes 1 with title $\hat\pi_0$=0.6768 contains 4 objects of type line. These objects represent cubic polynomial fit, $\hat\pi_0$. Axes 2 contains an object of type line.

Входные параметры

свернуть все

P-значения для всех функций в наборе данных, заданные как вектор-столбец или объект DataMatrix. Можно использовать первый выход файла mattest функция.

Типы данных: double

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: fdr = mafdr(pvals,'Lambda',0.5,'Showplot',true) задает значение параметров настройки 0,5 для оценки предыдущей вероятности и отображает статистические графики качества.

Флаг для использования линейной процедуры расширения, введенной Бенджамини и Хохбергом (1995) [2], заданный как разделенная разделенными запятой парами, состоящая из 'BHFDR' и true или false. Значение по умолчанию false, то есть функция использует процедуру, введенную Storey (2002) [1].

Если true:

  • Функция использует метод Бенджамини и Хохберга.

  • Функция игнорирует 'Method' и 'Lambda' Аргументы пары "имя-значение".

  • Задайте только один выходной аргумент, то есть FDR.

  • Если вы также задаете 'Showplot' на trueтогда графики функций только q-значений от p-значений. Для получения дополнительной информации смотрите 'Showplot'.

Пример: 'BHFDR', true

Типы данных: logical

Параметр настройки, используемый для оценки априорной вероятности того, что гипотеза null верна, задается как разделенная разделенными запятой парами, состоящая из 'Lambda' и положительная скалярная величина или вектор с четырьмя или более значениями. Скалярное значение или каждое значение в векторе должно быть между 0 и 1.

  • Если вы задаете одно значение, то функция игнорирует 'Method' аргумент пары "имя-значение".

  • Если вы задаете вектор значений, то функция выбирает оптимальное значение с помощью метода, заданного 'Method' аргумент пары "имя-значение".

Пример: 'Lambda'[0.01:0.1:0.95]

Типы данных: double

Метод выбора значения Lambda из области значений, заданный как разделенная разделенными запятой парами, состоящая из 'Method' и 'bootstrap' или 'polynomial'.

Пример: 'Method','polynomial'

Типы данных: char | string

Флаг для отображения двух диагностических графиков, заданных как разделенная разделенными запятой парами, состоящая из 'Showplot' и true или false.

Если true, функция отображает два графика:

  • Оценена априорная вероятность того, что нулевая гипотеза π^0(λ) верно против настраивающегося параметра (λ) с кубической кривой подбора кривой полинома

  • q-значения от p-значений

Если вы также задаете 'BHFDR' на trueфункция отображает только второй график.

Пример: 'Showplot',true

Типы данных: logical

Выходные аргументы

свернуть все

Положительные значения FDR, возвращенные как вектор или объект DataMatrix.

Если PValues является вектор-столбец, тогда FDR является вектор-столбец.

Если PValues является DataMatrix объект, затем FDR является DataMatrix объект.

Q-значения, возвращенные как вектор-столбец. Q содержит меры проверки гипотезы ошибки для всех наблюдений в PValues.

Оценена априорная вероятность того, что нулевая гипотеза π^0 true, возвращается как положительная скалярная величина.

Квадрат коэффициента корреляции, возвращенный как положительная скалярная величина. Задайте 'Method' как 'polynomial' чтобы получить этот четвертый выход.

Ссылки

[1] Storey, J.D. 2002. Прямой подход к частоте ложных открытий. J. Royal Stat. Soc. 64: 479-498.

[2] Benjamini, Y. and Hochberg, Y. 1995. Управление частотой ложных открытий: Практичный и мощный подход к множественной проверке. J. Royal Stat. Soc. 57: 289-300.

[3] Best, C.J.M., Gillespie, J.W., Yi, Y., Chandramouli, G.V.R., Perlmutter, M.A., Собери, Я., Эриксон, Х.С., Георгиевич, Л., Тангрея, М.А., Duray, P.H., Gonsalez, S., Velasco, A., Linehan, W.M., Matusik, R.J., Price, D.K., Figg, W.D., Emmert-Buck, M.R., and Chuaqui, R.F. 2005. Молекулярные изменения при первичном раке предстательной железы после андрогенной абляции. Clin. Cancer Res. 11: 6823-6831.

[4] Storey, J.D., and Tibshirani, R. 2003. Статистическая значимость для геномных исследований. Proc. Nat. Acad. sci. 100: 9440-9445.

[5] Storey, J.D., Тейлор, Дж. Э. и Зигмунд, Д. 2004. Сильный контроль, консервативная оценка точек и одновременная консервативная согласованность частот ложных открытий: Унифицированный подход. J. Royal Stat. Soc. 66: 187-205 .

См. также

| | | | | | | |

Введенный в R2007a

Документация по Bioinformatics Toolbox

Поддержка