一般来说，当p.value < 0.05时，我们认为犯错误的概率很低，可以否定原假设。但是假如我们做了很多次实验，比如10000次，那么犯错误的次数可能能达到500次，我们要规避这么多的假阳性结果，就需要考虑多重假设检验。
1. Bonferroni法
Bonferroni是最粗暴简单的方法，当 P value ≤ α/N时，拒绝H0。理念是将阈值降低，尽量杜绝假阳性的存在，弊端就是可能会由于阈值太严格而导致阳性结果太少。
比如，有10000次实验时，当 P value为0.05/10000 = 5e-6的时候，才有统计显著性。
2. Holm法
其公式为:
target alpha level一般为0.05，横轴中的rank是从小到大排序之后的序号。
比如：
图中第四列alpha/m是Bonferroni法，第五列就是Holm法。图中的k就是排名，当原始p值 < alpha / (m - k 1) 的值时，我们认为Holm校正之后仍然显著。即原始p为0.003，0.005，0.012时显著。
在R中调用Holm方法：
代码语言：javascript复制p.adjust(c(0.003, 0.005, 0.012, 0.04, 0.058), method = 'holm')输出：0.015 0.020 0.036 0.080 0.080
R中的结果是由于要直观的与0.05 (alpha) 比较，所以输出的值其实就是 p * (m - k 1)；当出现第一个不显著的p值时（0.080），则后边的结果都是这个值了。
3. BH法
公式为：p * (n/i)。n是总数，i是从小到大排序的名次。
p.adjust(c(0.003, 0.005, 0.012, 0.04, 0.058), method = 'BH')输出：0.0125 0.0125 0.0200 0.0500 0.0580 ； 前四位显著。
另外有时候会出现相同p值的情况，比如：
代码语言：javascript复制p.adjust(c(0.003, 0.005, 0.012, 0.04, 0.058, 0.06), method = 'fdr')输出： 0.015 0.015 0.024 0.060 0.060 0.060 前两位数和后两位数一样。这是因为最后一位计算出来为0.060， 但是倒数第二位直接计算是0.0696，如果数值比最后一位还要大的话，则赋值为上一位，即0.060。前两位数也是同理 （避免出现原始p值更小但是校正后更大的情况）。
参考：http://www.compbio.dundee.ac.uk/user/mgierlinski/talks/p-values1/p-values8.pdf
