王 婷，曾 平，黄水平，赵华硕

1)徐州医学院公共卫生学院流行病与卫生统计学教研室徐州 221002 2)南京医科大学公共卫生学院流行病与卫生统计学教研室南京 210029

#通讯作者，男，1982年7月生，硕士，助教，研究方向:高纬数据分析和贝叶斯统计，E-mail:zpstat@xzmc.edu.cn

错误发现率的经验估计和应用*

王 婷1)，曾 平1，2)#，黄水平1)，赵华硕1)

1)徐州医学院公共卫生学院流行病与卫生统计学教研室徐州 221002 2)南京医科大学公共卫生学院流行病与卫生统计学教研室南京 210029

#通讯作者，男，1982年7月生，硕士，助教，研究方向:高纬数据分析和贝叶斯统计，E-mail:zpstat@xzmc.edu.cn

微阵列数据;错误发现率;经验贝叶斯;密度估计

目的:研究大规模数据中的密度、无效分布和错误发现率的经验贝叶斯估计和应用。方法:对2个微阵列数据的贝叶斯模型，采用Poisson回归方法估计密度函数，并在此基础上经验估计贝叶斯错误发现率和局部错误发现率。结果:基于Poisson回归方法的密度估计为无效分布和错误发现率的经验贝叶斯估计提供了恰当的方法选择。结论:大规模数据的平行结构使得对错误发现率和无效分布的估计变得可能。

错误发现率(false discovery rate，FDR)在大规模数据分析中起着十分重要的作用［1-2］，被越来越多地应用在微阵列和功能磁共振成像等领域［3-4］。FDR可以根据尾部面积和密度定义，前者以最初提出的FDR和阳性错误发现率(positives false discovery rate，pFDR)为代表［5］，后者主要指局部FDR(local false discovery rate，locfdr)［6］。除了具有现实的应用价值外，FDR一个吸引人的地方在于，它同时具有频率统计的性质和可解释的贝叶斯含义［5］，此外，大规模数据使得直接估计FDR变得可能，因此FDR也具有经验贝叶斯的意义。……