Bonferroni 调整将始终提供对全族错误率的强大控制。这意味着，无论测试的性质和数量，或者它们之间的关系如何，如果满足它们的假设，它将确保在所有测试中出现一个错误的显着结果的概率最多为$\alpha$，您的原始错误级别。因此它始终可用。

是否适合使用它（相对于另一种方法或者可能根本不进行调整）取决于您的目标、您的学科标准以及针对您的具体情况的更好方法的可用性。至少，您可能应该考虑 Holm-Bonferroni 方法，该方法同样通用但不那么保守。

关于您的示例，由于您正在执行多项测试，因此您正在增加家庭错误率（错误地拒绝至少一个零假设的概率）。如果您只对每一半进行一次测试，则可以进行许多调整，包括 Hommel 的方法或控制错误发现率的方法（这与家庭错误率不同）。如果您对整个数据集进行测试，然后进行几个子测试，则测试不再独立，因此某些方法不再适用。正如我之前所说，Bonferroni 在任何情况下始终可用，并保证按广告宣传（但也非常保守……）。

你也可以忽略整个问题。形式上，家庭方面的错误率更高，但只有两次测试它仍然不是那么糟糕。您还可以从对整个数据集进行测试开始，将其视为主要结果，然后对不同组进行子测试，因为它们被理解为次要结果或辅助假设，所以未经校正。

如果您以这种方式考虑许多人口统计变量（而不是仅仅计划从一开始就测试性别差异或者可能是更系统的建模方法），那么问题就会变得更加严重，并且存在“数据疏浚”的重大风险（一个差异偶然出现的意义重大，让您可以通过一些关于人口统计变量的好故事来挽救一个不确定的实验，而实际上什么都没有发生），您绝对应该考虑对多重测试进行某种形式的调整。对于 X 个不同的假设，逻辑保持不变（测试 X 个假设两次——在数据集的每一半上测试一次——比只测试 X 个假设一次需要更高的家庭错误率，你可能应该对此进行调整）。

我正在查看相同的问题，并在书中找到了一段文字：

相关章节的副本可在此处免费获得：

http://www.utdallas.edu/~herve/Abdi-Bonferroni2007-pretty.pdf

它讨论了如何在不同的情况下应用 Bonferonni 校正（即独立和非独立测试）并简要提及一些替代方案。它还提到，当您测试的比较次数变大时，测试可能会变得过于保守，不再让您找到任何重要的东西（如果您要进行 10 次比较，则必须使，对于 20 次测试是 0.002 等）$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

公平地说，我已经为我当前的研究项目查看了许多不同的经济/计量经济学文章，并且在有限的经验中，我在比较 2-5 个测试时没有遇到很多应用这种更正的文章。

您必须记住，医学数据和科学数据是不可调和的，因为异方差医学数据与同方差生物学数据不同，永远不是实验性的。还记得许多关于功率测试和 Bonferroni 类型校正作用的讨论仅涉及对不可知交替分布性质的推测。在功率计算中设置 beta 是一个任意过程。没有一个医学统计学家宣传这一点。其次，如果（内部）数据样本存在自相关，则违反了中心极限定理，并且基于正态的高斯测试无效。第三，回想一下，正态分布正在变得过时，因为许多医学现象都是基于分形的分布，它们既不具有有限均值和/或有限方差（柯西型分布），而且需要抗分形统计分析。根据您在早期分析中发现的内容进行任何事后分析都是不合适的。最后，主体间双射性不一定有效，Bonferroni 校正的条件是仅在先验实验设计期间唯一梳理的重要元素。奈杰尔·T·詹姆斯。MB BChir，（英国医学学位），理学硕士（应用统计学）。主体间双射性不一定有效，Bonferroni 校正的条件是仅在先验实验设计期间唯一需要梳理的重要元素。奈杰尔·T·詹姆斯。MB BChir，（英国医学学位），理学硕士（应用统计学）。主体间双射性不一定有效，Bonferroni 校正的条件是仅在先验实验设计期间唯一需要梳理的重要元素。奈杰尔·T·詹姆斯。MB BChir，（英国医学学位），理学硕士（应用统计学）。