P 值校正在线计算（FDR / BH / Bonferroni）

粘贴一列 p 值或整张结果表，算出 BH（FDR）、Bonferroni、Holm 等多重检验校正后的 p 值，结果与 R 的 p.adjust 逐值一致，可直接下载。

所有计算都在你的浏览器本地完成，粘贴的数据不会上传到任何服务器。

1. 数据

选择文件

2. p 值列

p 值所在列

3. 方法与阈值

显著性阈值 α（校正后 p < α 记为显著）

结果

先粘贴 p 值，或点「载入示例」看看效果。

计算与 R 的 stats::p.adjust 逐值一致（方法名也相同，BH 即 R 里的 "fdr"）。空值（含空行）和 NA 当作缺失、不计入检验数 n，与 R 的默认做法 n = sum(!is.na(p)) 一致；非数值和超出 0–1 的值本工具也当作缺失（R 的 p.adjust 不检查范围，会照常计算）。结果与原表一行对一行，空行也保留。
「<2.2e-16」这类 R 打印出的上界写法按界值代入：校正结果对每个输入都单调不减，代入上界得到的校正值是保守的上界，仍然有效；想要确切数值，请从分析结果里导出完整精度的 p 值。
FDR（错误发现率）：判为显著的结果里，假阳性所占比例的期望不超过 α。BH 是组学数据（差异基因、富集分析等）最常用的选择；检验间可能任意相关、想更稳妥时用 BY，它更保守。
FWER（族错误率）：所有检验里出现至少一个假阳性的概率不超过 α，比控制 FDR 严格得多，适合检验数不多、一个假阳性都不想要的场景（如少数候选基因的验证）。Holm 在任何情况下都不比 Bonferroni 差，可直接替代 Bonferroni；Hochberg、Hommel 更有效力，但要求检验间独立或正相关。
校正要在全部检验上做：只粘贴筛过的 p 值（比如只贴 p < 0.05 的那些）会让检验数 n 变小，校正结果偏乐观，是错误用法。
「显著」按校正后 p 严格小于 α 计数；表格里只是把校正后的 p 列出来，用哪种方法、阈值取多少应在分析前定好，不要多种方法挑一个结果最好看的。