我正试图围绕错误发现率及其相关的 q 值进行思考；我是这种技术的新手，但它似乎很有希望满足我的需求。

我不断遇到但似乎无法解决的一个症结如下：

据我所知，q-values 的排序可能与 p-values 的排序不同，这对我来说似乎是无稽之谈。进一步解释：

q 值是通过对 p 值进行排序并按等级调整这些 p 值来计算的。例如，在最初的 Benjamini & Hochberg 论文（控制错误发现率：一种实用且强大的多重测试方法）中，引入了一个值 q*，它是

 (# tests) * p-sub-i / (rank order of p-sub-i)

Story 后来引入了一个校正因子“pi0”来校正并非所有采样测试都是空测试的事实。

使用这些计算（任一版本），然后可以“排序” q 值，并了解哪些测试相对于其他测试是显着的，同时仍然考虑多重测试比较的关键。

但是，如果 p 值彼此非常接近（经常发生），则这种排序顺序可以切换。例如，如果 p 值为 0.00505 (a) 和 0.00506 (b)，则 q 值可以分别为 0.012 (a) 和 0.011 (b)。这样做的原因是，由于 p 值的指数或排名增加而导致的 q 值变化可能比 p 值本身的变化更显着。

上面显示的示例非常小，但仍然指向我不理解的理论含义：一些 p 值低于其他测试的测试可能最终得到比其他测试更高的 q 值，这意味着零假设测试是“任意”受到邻居的影响。

我在这里想念什么？