多重比较校正的阈值怎么选？

这是一个非常实际且常见的问题。核心在于理解GRF校正的原理和双阈值（voxel p & cluster p）的联合控制逻辑。

1. GRF校正的双阈值逻辑：
GRF校正不是简单地“两个p值都通过”，而是先设定一个初始的体素水平（voxel-level）阈值，然后基于随机场理论估算在此阈值下存活下来的团块（cluster）的大小是否由偶然因素导致。

• 体素p值（如 p<0.001）：这是一个初始定义阈值，用于初步筛选“可能显著”的体素。它决定了后续进行团块大小检验的“种子”区域。这个值越严格（如0.001 vs 0.01），初始筛选出的体素越少，团块也更分散、更小。
• 团块p值（如 p<0.05）：这是最终统计推断的阈值。它表示：在给定的初始体素阈值下，一个团块需要达到多大的体积（k值），才能使其在零假设下出现的概率小于5%。最终报告的结果是那些既通过初始体素阈值，其团块大小又通过团块p值检验的区域。

2. 关于你的具体问题：

• “两个p都选0.05”的风险：是的，这通常会导致假阳性率过高，不被推荐。 原因在于，初始体素阈值p=0.05过于宽松，会产生大量零星、微小的“种子”体素。随机场理论基于这些“种子”估算的团块大小阈值会非常小，导致很多由噪声形成的小团块也能通过团块p<0.05的检验。这违背了多重比较校正控制家族错误率（FWER）的初衷。

• “voxel p调严，结果没意义”的困境：这是功能磁共振研究中的经典矛盾。严格的阈值（如p<0.001，甚至结合FDR）控制了假阳性，但可能丢失了真实的、但效应较弱的信号（高假阴性）。这通常意味着：

  • 效应本身可能较弱：需要更大的样本量来增强统计效力。
  • 可能需要更聚焦的假设：使用ROI（感兴趣区域）分析代替全脑分析，以减少比较次数，从而在不调整阈值的情况下获得更敏感的结果。
  • 结果解释需谨慎：即使在全脑水平没有通过严格的校正，在预设的ROI内出现预期方向的显著结果，仍可作为有意义的发现进行报告（但需明确说明这是探索性分析或假设驱动的ROI分析）。

3. 专业建议：

• 标准做法：在基于体素的全脑分析中，体素初始阈值通常设为 p<0.001（未校正），然后结合团块水平GRF校正 p<0.05（已校正）。这是一个在领域内被广泛接受、在控制假阳性和保留灵敏度之间取得平衡的常用标准。
• 灵活性：根据研究的具体情况（如样本量、数据质量、噪声水平、研究领域惯例），体素初始阈值可以在p<0.005到p<0.001之间调整。但p=0.01通常已是宽松的上限，p=0.05则过于宽松。
• 报告时必须明确：在论文中必须清晰报告两个阈值（例如：体素水平 p<0.001，团块水平经GRF校正，p<0.05），并说明使用的是GRF校正。如果使用了非标准阈值，需要提供理由（如遵循特定领域的先例）。

总结：
不要将两个p值都设为0.05。 应采用更严格的体素初始阈值（推荐p<0.001）结合团块水平校正（p<0.05）。如果在此标准下结果不显著，应首先考虑统计效力（样本量）是否足够，或转向更聚焦的ROI假设检验，而非单纯放宽阈值引入更高的假阳性风险。