在http://surveyanalysis.org/wiki/Multiple_Comparisons_(Post_Hoc_Testing)它声明
例如，如果我们的 p 值为 0.05，并且我们得出结论认为错误发现的概率是显着的，那么根据定义，错误发现的概率为 0.05。
我的问题：我一直认为错误发现是 I 类错误，它等于大多数测试中选择的显着性水平。P 值是根据样本计算的值。事实上，维基百科指出
p 值不应与 Neyman-Pearson 方法中的显着性水平或 I 类错误率 [假阳性率] 混淆"
那么为什么链接的文章声称 I 类错误率是由 p 值给出的呢？
您的错误发现率不仅取决于 p 值阈值，还取决于真相。事实上，如果你的零假设实际上是错误的，那么你不可能做出错误的发现。
也许这样想会有所帮助：p 值阈值是在没有真正发现时做出错误发现的概率（或者换一种说法，如果零假设为真）。
基本上，
类型 1 错误率 = “如果为真，则拒绝空值的概率” = p 值阈值
和
如果原假设为真，则类型 1 错误率 = 错误发现率
是正确的，但请注意以真空值为条件。错误发现率没有这个条件，因此取决于您的无效假设中有多少实际上是正确的未知真相。
还值得考虑的是，当您使用像 Benjamini-Hochberg 这样的程序来控制错误发现率时，您永远无法估计实际的错误发现率，而是通过估计上限来控制它。要做得更多，您实际上需要能够使用统计数据检测零假设是否为真，而您只能检测到一定量级的违规行为（取决于您的测试的能力）。
P 值和假阳性率（或错误发现率）之间的差异在http://rsos.royalsocietypublishing.org/content/1/3/140216中解释清楚，我希望
尽管那篇论文使用了 False Discovery Rate 这个术语，但我现在更喜欢 False Positive Rate，因为前一个术语经常用于多重比较校正的上下文中。那是一个不同的问题。论文指出，对于单一的无偏测试，几乎在所有情况下，误报率都远高于 P 值。