一、假設檢驗
假設檢驗的基本思路是：
設立零假設（null hypothesis）H0，以及與零假設H0相對應的非零假設（alternative hypothesis）H1，在假設H0成立的前提下，計算出H0發生的概率，若H0的發生概率很低，基於小概率事件幾乎不可能發生，所以可以拒絕零假設。
科學研究一般會把我們希望得到的結論當作非零假設，而期望否定的結論當作零假設。只要我們證明零假設發生的概率很小，我們就有理由拒絕零假設，從而接受非零假設。
例如，我希望得到的結論是早上能夠八點起床。那么零假設可以設為：早上八點起不來，如果我計算出來早上八點起不來床的概率非常低，我們就可以接受非零假設：我能夠八點起床。
二、假陽性
假陽性：簡單打個比喻，就是你本來健健康康的，卻被辣雞醫院檢測出來你得了病，這就是假陽性。
假陽性率：是對於所有陽性的樣本而言，其中是假陽性的有多少。比如，公司體檢100個人，檢測出來10個人有病，但真正有病的是8個人，那么假陽性率就是0.2。
三、 p值和q值
p值衡量的是原本我們應該接受H0，但實際接受的是H1的概率，它是針對單次統計推斷的一個置信度評估。還是之前的例子，如果p=0.05，意味着：能夠八點起床 這個假設出錯的概率為5%。
q值衡量的是在進行多次統計推斷后的假陽性率。
四、 FDR校正
之前的例子中，如果我們檢驗次數多達10000次，那么犯錯的概率將500多次。這里雖然犯錯的概率沒變（5%），但是隨着檢驗次數的增多，我們犯錯的次數增多了。因此就需要多重檢驗校正來減低假陽性的次數。
FDR校正就是為了控制假陽性率。例如，對應於腦網絡研究中，假設大腦總共有10000個體素，通過假設檢驗發現有2000個體素的P<0.05。那么FDR<0.02說的是在2000個激活的體素中，假陽性的體素不超過2000*0.02=40個。
五、 如何計算FDR
使用最多的是Benjaminiand Hochberg的方法，簡稱BH法。
BH 方法首先對p值進行升序排列，對於給定的閾值的，找到最大的k值，使得：q = (p*m)/k <α成立
其中的p為p值，m為檢驗次數，k為此次檢驗的p值在所有檢驗次數中的排名。
假設檢驗了5次 ，閾值α=0.05 ，按p值的大小升序排列
p(1) = 0.01 p(2) = 0.015 p(3) = 0.02 p(4) = 0.025 p(5) = 0.03
q(1) = (0.01*5)/1 = 0.05 q(2) = (0.015*5)/2 = 0.0375
q(3) = (0.02*5)/3 = 0.0333 q(4) = (0.025*5)/4 = 0.03125
q(5) = (0.03*5)/5 = 0.03
所以最大的k為3，即認為在FDR<0.05的情況下，1、2、3可以視作為真陽性。對應於腦網絡中的那個例子，原本是五個體素都激活，但
經過FDR校正之后，只有3個激活了。