这些 q 值没有任何问题。校正 p 值（校正后的 p 值通常称为 q 值）是一个比 Benjamini-Hochberg (BH) 过程更新的概念，其最纯粹的形式仅输出显着性：是或否。要理解为什么你的 q 值看起来像它们的样子，我们需要看看 BH 升压过程是如何工作的。以下步骤改编自 Wasserman 的All of Statistics：

1. 订购您的 p 值$p_1 < p_2 < \ldots < p_m$.
2. 定义$l_i = \frac{i\alpha}{m}$， 在哪里$\alpha$是您想要的错误发现率。还定义$T = \max\{p_i: p_i < l_i\}$，即是的最大 p 值。$T$$p_i < l_i$
3. 让成为您的 BH 拒绝阈值。$T$
4. 的零假设。$H_{0i}$$p_i \leq T$

为了避免必须选择一个 q 值将这个过程颠倒过来并询问将被拒绝的最小是多少？阈值始终是您的 p 值之一，因此作为 FDR函数的接受阈值看起来像一些楼梯： $\alpha,$$\alpha$$H_{0i}$$T$$m$$\alpha$

library(plyr)
ps <- c(0.019, 0.022, 0.023, 0.023, 0.025, 0.025, 0.027, 0.028, 0.029, 0.030, 0.030, 0.030, 0.031, 0.033, 0.034, 0.035, 0.036, 0.037, 0.037, 0.039, 0.051, 0.060, 0.063, 0.065, 0.085, 0.110, 0.170, 0.196, 0.241, 0.316, 0.318, 0.325, 0.694)

# calculate T as function of alpha
BHT <- function(alpha) {
  l <- 1:length(ps)*alpha/length(ps)
  i <- sum(ps < l)
  if (i == 0) return(i)

  ps[i]   # threshold
}

alphas <- seq(0,1,by=.001)
Ts <- aaply(alphas, 1, BHT)
plot(alphas, Ts, type="l")

对于每个阈值，都有一个最小的使其成为新的拒绝阈值。如果我们在上图中为您的不同 p 值添加一些线，您会看到其中许多位于楼梯的同一台阶上：$\alpha$

plot(alphas, Ts, type="n")
abline(v=ps, col="grey")
lines(alphas, Ts)

这些将在相同的阈值处被拒绝并对应于相同的最小$\alpha$。这个是你的 q 值，所以得到重复的 q 值是可以的，而且几乎是不可避免的。$\alpha$