机器算法验证 - 双面置换测试与两个单面 - 吾爱随笔录

我正在使用一组基因，我想要测试其相关性 beta。为了只过滤掉显着的相关性，我执行了一个置换测试，对于每个站点，我随机排列很多次并计算。这给了我一个在原假设和之间没有依赖关系时，我可以将与之进行比较。 $\beta$ $E$ $\hat\rho(log_2E,\beta)=R$ $E$ $R$ $p(R|H_0)$ $\beta$ $E$ $R$

现在回答我的问题，

我想测试正相关和负相关。我是否对每个基因进行两次测试并使用双重多重测试校正，其中

$p_- = \int\limits_{-\inf}^Rp(x|H_0)dx$

$p_+ = \int\limits_{R}^\inf(x|H_0)dx$

或者我可以而且应该直接根据还是这样，并使用正常的多重测试校正？我只能想到以下几点，但感觉不对，而且力量很差。 $|R|$

$p_2 = \int\limits_{-\inf}^{-|R|}p(x|H_0)dx + \int\limits_{|R|}^\inf(x|H_0)dx$

在此处输入图像描述

编辑：更新了图形并添加了缺少的 x 轴标签。所有面板的 y 轴都相同。

## dummy data set.seed(1) x <- runif(20) y <- 0.5 * x y <- y + rnorm(20) ## set up for the permutation, compute observed R nullR <- numeric(length = 1000) nullR[1] <- cor(x, y) ## obsered R in [1] N <- length(x) ## permutation test for(i in seq_len(999) + 1) { nullR[i] <- cor(x[sample(N)], y) } hist(nullR) ## histogram of R under H0

> ## one side H1 R > 0 > sum(nullR >= nullR[1]) / length(nullR) [1] 0.908 > ## one side H1 R < 0 > sum(nullR <= nullR[1]) / length(nullR) [1] 0.093 > ## two sided > sum(abs(nullR) >= abs(nullR[1])) / length(nullR) [1] 0.177