【fdp是什么指标】FDP，全称是“False Discovery Proportion”，即假发现比例。在统计学和数据科学中，尤其是在多重假设检验的背景下，FDP 是一个重要的评估指标，用于衡量在所有被拒绝的原假设中，有多少是错误地被拒绝的（即假阳性）。
一、FDP 的定义
FDP 是指在所有被拒绝的原假设中，实际为真假设的比例。换句话说，它是错误拒绝的原假设数量与总拒绝数量的比值。
公式如下：
$$
\text{FDP} = \frac{\text{Number of False Rejections}}{\text{Total Number of Rejections}}
$$
其中，“False Rejections”指的是那些原本为真的假设却被错误地拒绝了；“Total Rejections”是指所有被拒绝的假设数量。
二、FDP 的应用场景
FDP 主要应用于以下场景：
- 基因组学研究：在大规模基因表达分析中，研究人员会同时测试成千上万个基因是否具有显著差异，此时需要控制 FDP。
- 医学研究：在临床试验中，对多个终点进行分析时，可能会使用 FDP 来评估结果的可靠性。
- 金融风险评估：在高维数据中识别异常交易或欺诈行为时，也会用到 FDP 概念。
三、FDP 与 FDR 的关系
FDP 是一个随机变量，而 FDR（False Discovery Rate）是其期望值。也就是说，FDR 是 FDP 的平均表现。
$$
\text{FDR} = \mathbb{E}[\text{FDP}
$$
因此，在实际应用中，我们通常更关注 FDR 而不是 FDP，因为 FDR 更容易进行控制和估计。
四、总结表格
| 项目 | 内容 |
| 中文名称 | 假发现比例 |
| 英文名称 | False Discovery Proportion |
| 定义 | 在所有被拒绝的原假设中，假阳性的比例 |
| 公式 | $ \text{FDP} = \frac{\text{False Rejections}}{\text{Total Rejections}} $ |
| 应用场景 | 基因组学、医学研究、金融风控等 |
| 与 FDR 关系 | FDR 是 FDP 的期望值 |
| 特点 | 反映的是实际检测中的误判率，常用于多重假设检验 |
五、结语
在面对大量数据和复杂模型时，FDP 提供了一个重要的视角来评估结果的可信度。理解 FDP 的含义及其与 FDR 的关系，有助于我们在数据分析中做出更合理的判断，避免因过多假阳性结论而误导决策。
