False Discovery Rate
In diesem Beitrag
Was versteht man unter False Discovery Rate?
Die False Discovery Rate (FDR) ist ein statistisches Konzept zur Kontrolle von Fehlern beim gleichzeitigen Testen mehrerer Hypothesen. Sie beschreibt den erwarteten Anteil fälschlicherweise abgelehnter Nullhypothesen (sogenannte falsche Entdeckungen) an allen abgelehnten Nullhypothesen.
Formel
Dabei steht V für die Anzahl der fälschlicherweise als signifikant deklarierten Tests (False Positives) und R für die Gesamtzahl aller als signifikant deklarierten Tests. Das Verhältnis gibt also den Anteil der „falschen Treffer“ unter allen „Treffern“ an.
Das bekannteste Verfahren zur FDR-Kontrolle ist die Benjamini-Hochberg-Prozedur (1995). Sie sortiert die p-Werte aller Tests aufsteigend und vergleicht sie mit einem angepassten Schwellenwert, sodass die FDR auf einem vorgegebenen Niveau (häufig 0,05 oder 0,10) kontrolliert wird.
Warum ist die False Discovery Rate für statistische Analysen wichtig?
Sobald viele Hypothesen gleichzeitig getestet werden – etwa in der Genomforschung, bei der Auswertung von Fragebögen mit vielen Items oder in der Bildgebung des Gehirns – steigt die Wahrscheinlichkeit, allein durch Zufall signifikante Ergebnisse zu erhalten. Dieses Problem wird als multiples Testen bezeichnet.
Die klassische Lösung ist die Bonferroni-Korrektur, die das familywise error rate (FWER)-Kriterium kontrolliert: Sie stellt sicher, dass die Wahrscheinlichkeit für mindestens einen Fehler sehr klein bleibt. Das ist sehr konservativ und führt bei vielen Tests dazu, dass echte Effekte übersehen werden (hohe Rate an False Negatives).
Die FDR bietet hier einen pragmatischeren Mittelweg: Sie erlaubt eine gewisse Anzahl von Fehlalarmen, solange deren Anteil kontrolliert bleibt. So lassen sich mehr echte Effekte entdecken, ohne die Fehlerrate außer Kontrolle geraten zu lassen.
| Kriterium | Kontrolliert | Typisches Verfahren | Einsatzgebiet |
|---|---|---|---|
| FWER | Wahrscheinlichkeit für mind. 1 Fehler | Bonferroni-Korrektur | Wenige Tests, hohe Sicherheitsanforderung |
| FDR | Anteil falscher Entdeckungen | Benjamini-Hochberg | Viele Tests, explorative Studien |
Praxisbeispiel zu False Discovery Rate
Angenommen, du wertest in deiner Masterarbeit eine Gehirnbildgebungsstudie aus und testest gleichzeitig 1.000 Hirnregionen auf Aktivierungsunterschiede zwischen zwei Gruppen. Du verwendest ein Signifikanzniveau von ohne Korrektur.
Rein durch Zufall kannst du bei 1.000 Tests mit etwa 50 falsch-positiven Ergebnissen rechnen (1.000 × 0,05 = 50) – selbst wenn es gar keine echten Effekte gibt. Das ist problematisch.
Du wendest stattdessen die Benjamini-Hochberg-Prozedur bei einem FDR-Niveau von an. Dabei sortierst du alle 1.000 p-Werte aufsteigend und prüfst für jeden p-Wert an Rang , ob gilt:
Benjamini-Hochberg-Bedingung
Der größte Rang, für den diese Bedingung noch erfüllt ist, legt den Cutoff fest. Alle Tests bis zu diesem Rang gelten als signifikant. Das Ergebnis: Du kontrollierst, dass im Schnitt höchstens 5 % deiner als signifikant deklarierten Hirnregionen Fehlalarme sind – und entdeckst dabei mehr echte Effekte als mit einer Bonferroni-Korrektur.
