为什么在对 Holm 和 Bonferroni 方法使用 p.adjust 时得到相同的结果？

Question

我已经运行进行了多次回归分析，我正在尝试查看在进行多重比较调整后是否有任何重要发现成立。我知道 Bonferroni 调整比 Holm 调整更保守，所以我希望输出会有所不同，但事实并非如此。其中一个值略有不同，但没有我预期的那么大，因为这些测试中的一个应该不如另一个保守。我尝试了另一种校正方法，得到了类似的结果。我的语法有问题还是这是正常结果？

p.vect <- c(.003125, .008947)
p.adjust(p.vect, method = "bonferroni", n=80)
[1] 0.25000 0.71576

p.adjust(p.vect, method = "holm", n=80)
[1] 0.250000 0.706813

p.adjust(p.vect, method = "hochberg", n = 80)
[1] 0.250000 0.706813

Answer 1

Holm 和 Hochberg 在 length(p)==2 方面彼此没有区别。

鉴于 lp 是 length(na.omit(p))（在这种情况下等于 2），并且 p 是概率向量，这里是 method=="holm" 的代码：

i <- seq_len(lp)   ## (1,2)
o <- order(p)      ## (1,2)
ro <- order(o)     ## (1,2) 
pmin(1, cummax((n + 1L - i) * p[o]))[ro]  ## c(80,79)*p

和 method=="hochberg" 的代码：

i <- lp:1L                        ## (2,1) 
o <- order(p, decreasing = TRUE)  ## (2,1)
ro <- order(o)                    ## (2,1) 
pmin(1, cummin((n + 1L - i) * p[o]))[ro]  ## c(80,79)*p[c(2,1)][c(2,1)]

如果您逐步查看详细信息，您可以看到他们如何为您的案例提供相同的答案。（Holm 在调整概率的排序向量上使用 cummax()，Hochberg 在反向排序向量上使用 cummin()，但在这种情况下这些都没有改变任何东西。）

Bonferroni pmin(1, n*p)。在这种情况下，唯一的区别是第二个元素的因子 80/79（Hochberg 和 Holm 乘以 (n+1-i) = c(80,79)，Bonferroni 乘以 n=79。）

您可以通过单独输入 p.adjust 或更漂亮的形式 here

来打印代码

为什么在对 Holm 和 Bonferroni 方法使用 p.adjust 时得到相同的结果？

Why am I getting the same result when using p.adjust for the Holm and Bonferroni methods?

statistics

r

bonferroni