独立性更像是最好的假设，而不是最坏的假设。松散地说，当数据是独立的时，每个数据都包含尽可能多的信息。如果数据是相关的，因为它们的值可以从其他数据中预测出来，每个额外的数据必须有更少的新信息来贡献（在某种意义上可以预测的部分你已经知道了）。这种情况可能与多次测试相似。就简单的 alpha 校正策略而言，如果测试是独立的，则可以使用Dunn-Sidak 校正 但如果测试是独立的不是独立的，必须使用Bonferroni 校正

$$\alpha_{\rm DS} = 1 - (1-\alpha)^{1/k}$$
$$\alpha_{\rm B} = \frac{\alpha}{k}$$ 从公式中可以清楚地看出，。 $\alpha_{\rm DS}\ge \alpha_{\rm B}$

Gung 认为 Dunn-Sidak 应该在独立下使用，而 Bonferroni 必须在依赖下使用是不正确的。事实上，Dunn-Sidak 控制 FWER 不仅处于独立状态，而且处于正依赖状态。Bonferroni 控制任何依赖结构的 FWER——包括独立性。

要回答你的问题，独立性不是“最坏情况”的原因是在某些情况下，理论上你可以有负依赖。