我正在针对 3 个 DV 对 PCT 的态度、对 CBT 的态度、对 PCT 的态度与 CBT 对 5 个 IV（5 个性格特征、外向性、随和性、责任心、神经质、开放性）进行统计。我还添加了年龄和性别，看看还有什么其他影响。
我正在测试看性格特征是否可以预测 DV 的态度。
我最初对所有变量使用 Pearson 相关性（45 个测试）。
主要发现是外向性与 PCT 的态度相关，p=0.05。但是当我运行 45 次测试时，我对 alpha = 0.05/45 = 0.001 进行了 Bonferroni 校正，因此使这一发现变得微不足道。
然后我对所有变量进行了简单的线性回归，外向性对 PCT 的态度也很重要。如果我进行 Bonferroni 校正，它再次变得微不足道。
问题：
在我看来，这是探索性研究/数据分析，而不是确认性。也就是说，听起来您并不是从一个理论开始的，即出于某种原因，只有外向性应该与 PCT 相关。所以我不会太担心 alpha 调整，因为我认为这与 CDA 更相关，我也不认为你的发现一定是正确的。相反，我会认为它可能是真实的，并根据我对手头主题的了解来玩这些想法/可能性。看到这个发现，它是真的还是你持怀疑态度？如果它是真的，这对当前的理论意味着什么？会不会很有趣？会很重要吗？是否值得进行一项新的（确认性）研究来确定它是否属实，同时牢记这可能带来的潜在时间、精力和费用？请记住，Bonferroni 修正的原因是我们希望在有这么多变量时会出现一些东西。所以我认为启发式可以是‘这项研究是否提供足够的信息，即使事实证明是没有的'？如果你认为这不值得，这种关系会停留在“可能”类别中，然后你继续前进，但如果值得去做，那就测试一下。
我认为 Chl 在没有直接回答问题的情况下为您指出了很多好的材料和参考资料。我给出的答案可能有点争议，因为我知道一些统计学家不相信多重性调整，许多贝叶斯不相信 p 值。事实上，我曾经听过 Don Berry 说使用贝叶斯方法，特别是在控制 I 类错误的自适应设计中不是问题。在看到确保不良药物不进入市场对 FDA 的实际重要性后，他后来收回了这一点。
我的回答是肯定的和否定的。如果您进行 45 测试，您当然需要调整多重性，但对 Bonferroni 则不需要，因为它可能过于保守。当您对相关性进行数据挖掘时，I 类错误的膨胀显然是一个引起关注的问题，引用的帖子“看，你会发现相关性”。所有三个链接都提供了很好的信息。我认为缺少的是由 Westfall 和 Young 很好地开发的 p 值调整的重采样方法。您可以在我的引导手册中找到示例，或者在他们的重采样手册中找到完整的详细信息。我的建议是考虑 p 值调整的 bootstrap 或置换方法，并可能考虑错误发现率而不是严格的家庭错误率。
链接到 Westfall 和 Young：http ://www.amazon.com/Resampling-Based-Multiple-Testing-Adjustment-Probability/dp/0471557617/ref=sr_1_1?s=books&ie=UTF8&qid=1343398751&sr=1-1&keywords=peter+西部荒野
Bretz 等人最近关于多重比较的书：http ://www.amazon.com/Multiple-Comparisons-Using-Frank-Bretz/dp/1584885742/ref=sr_1_2?s=books&ie=UTF8&qid=1343398796&sr=1-2&keywords=彼得+韦斯特福尔
我的书包含第 8.5 节中的材料和大量引导参考：http ://www.amazon.com/Bootstrap-Methods-Practitioners-Researchers-Probability/dp/0471756210/ref=sr_1_2?s=books&ie=UTF8&qid=1343398953&sr=1 -2&keywords=迈克尔+切尔尼克