1 基本概念
1.1 定义
家族错误率是多重假设检验中的一个总体错误控制指标，用于衡量在一组检验中至少出现一次第一类错误的概率。这里的“家族”通常指同一研究问题下的一组相关检验，例如多个组间比较、多个终点分析或多个变量筛查。
与单次检验只关注某一个原假设是否被错误拒绝不同，家族错误率强调的是整组检验的整体风险。只要其中任意一个结果出现虚假阳性，就会被计入家族层面的错误。
1.2 适用场景
家族错误率主要适用于存在多个统计判断、且研究者希望对“至少一次误报”进行严格控制的情况。它常见于正式研究、注册分析计划和对结论可靠性要求较高的分析流程中。
1.2.1 多重比较问题
当同一数据集被用于多次比较时，误报概率会随着比较次数增加而累积。比如在多个组别之间反复做两两比较，如果不加控制，即便每次检验的显著性水平相同，整体上仍可能出现较高的错误发现概率。
1.2.2 同时检验多个假设
在同一研究框架下同时检验多个原假设时，也会产生家族错误率问题。例如，一个试验可能同时评估若干终点、若干亚组或若干模型参数，此时需要考虑整体检验集合的错误控制，而不能只看单个检验的结果。
1.3 与第一类错误的关系
家族错误率与第一类错误直接相关，但两者所指层级不同。第一类错误描述的是单个检验中的误拒原假设，而家族错误率则是多个检验共同构成的整体风险。
1.3.1 单次检验中的第一类错误
在单次假设检验里，第一类错误是指原假设实际上成立，却被统计程序判定为不成立。这个错误的概率通常由显著性水平 α 来控制。
1.3.2 家族层面的错误概率
当多个检验同时进行时，任何一个检验出现第一类错误，都可能导致家族错误。因而，家族错误率可以看作单次第一类错误在多重情境下的扩展形式，其关注点从“一个结论是否出错”转向“整组结论是否至少有一个出错”。
2 数学表达
2.1 概率定义
家族错误率通常定义为：在一组假设检验中，至少有一个真实原假设被错误拒绝的概率。这个定义直接体现了它对“任意一次误报”的敏感性。
2.1.1 至少一次错误拒绝原假设
如果把每个检验都看作一次独立或相关的决策，那么家族错误率关注的是这些决策中是否存在至少一次错误拒绝。只要有一个错误发生，整个家族就被视为发生了错误。
2.1.2 补事件表示法
从概率角度看，家族错误率也可以通过补事件来表示，即“所有真实原假设都没有被错误拒绝”的概率的补集。这样可以把复杂的“至少一次”问题转化为对“零次错误”的分析。
2.2 与检验数量的关系
家族错误率通常会随着检验数量增加而上升。即使每个单独检验的错误概率不变，累积到整个家族后，整体误报风险仍会扩大。
2.2.1 独立检验情形
在检验相互独立时，整体错误概率可以较直接地由单次错误概率推导。检验数越多，至少一次出错的可能性越大，这也是多重比较需要校正的重要原因。
2.2.2 相关检验情形
当检验之间存在相关性时，整体错误率的计算会更复杂。相关结构可能使家族错误率上升得较慢，也可能在某些配置下接近独立情形的风险水平，因此通常需要专门方法进行估计或控制。
2.3 上界与近似
由于精确计算常常依赖检验间关系与分布结构，实践中常用上界或近似方法来控制家族错误率。
2.3.1 Bonferroni 上界
Bonferroni 不等式给出了一个常用上界：家族错误率不超过各单次检验显著性水平之和。这个结果简单稳健，因此成为多重校正中最经典的基础工具之一。
2.3.2 累积误差的直观解释
从直观上看，每增加一个检验，就相当于给“误报”再增加一次机会。即使每次机会都很小，经过多次累积后，总体上也会形成不可忽视的错误风险。
3 控制方法
3.1 单步校正方法
单步校正方法对整组检验统一使用同一规则，操作简单，通常以控制家族错误率为目标。
3.1.1 Bonferroni 校正
Bonferroni 校正将总体显著性水平分配到每个检验上，常见做法是把 α 除以检验数量。它的优点是计算容易、适用广泛，但在检验较多时会比较保守。
3.1.2 Sidák 校正
Sidák 校正与 Bonferroni 类似，也是一种控制家族错误率的单步方法，但在独立检验条件下通常略为不那么保守。它基于独立事件的概率关系，因而在某些场景下能提供稍高的检验灵敏度。
3.2 步进校正方法
步进校正方法根据 p 值排序分层判断，通常比简单单步校正更有效率，在保持家族错误率控制的同时，往往具有更好的统计功效。
3.2.1 Holm 方法
Holm 方法是一种逐步校正程序，先对 p 值从小到大排序，再依次与逐渐放宽的阈值比较。它在控制家族错误率方面较 Bonferroni 更有力，且通常不会更弱。
3.2.2 Hochberg 方法
Hochberg 方法也是一种步进程序，适用于某些条件下的多重检验控制。它相较于 Holm 方法在部分情形中更有检验效率，但对相关结构和适用条件有更明确的要求。
3.3 基于分层或闭合检验的方法
除直接校正外，还可以通过假设结构设计来控制家族错误率，例如闭合检验和层级检验。
3.3.1 闭合检验原理
闭合检验通过对假设集合及其所有交集假设进行系统检验，来保证整体错误率受控。其思想是：只有在相关的更强假设都被支持后，才允许拒绝某一特定假设。
3.3.2 层级假设检验
层级假设检验按照预先设定的顺序逐级推进，通常先检验主要假设，再检验次要假设。若前一层不显著，后续检验可能不再进行，从而减少误报并保持整体控制。
4 与其他错误率的比较
4.1 与假发现率的区别
家族错误率与假发现率都属于多重检验控制概念，但它们强调的目标不同。
4.1.1 控制目标差异
家族错误率关注的是“至少一个错误”是否发生，因此目标较严格；假发现率则关注被判为显著的结果中错误比例的期望，更强调结果集合中的错误占比。
4.1.2 适用研究场景差异
家族错误率更适合结论必须非常稳健、且误报代价较高的场景；假发现率则常用于高维筛选、探索性分析或大规模并行检验，因为它通常更不保守，便于发现潜在信号。
4.2 与逐类错误率的关系
逐类错误率通常针对单个检验的错误控制，而家族错误率则是在多个检验层面上进行扩展。
4.2.1 第一类错误率与家族错误率
第一类错误率是单次检验在原假设为真时被错误拒绝的概率；家族错误率则是多个检验组合后的整体第一类错误风险。前者是局部概念，后者是全局概念。
4.2.2 第二类错误与检验功效
控制家族错误率越严格，往往越容易增加第二类错误的风险，即漏掉真实效应。换言之，错误控制与检验功效之间通常存在一定张力，需要在稳健性和发现能力之间权衡。
4.3 与整体显著性水平的联系
家族错误率控制通常通过调整整体显著性水平在多个检验中的使用方式来实现。
4.3.1 研究设计中的 α 分配
在多重检验设计里，研究者可能预先将总体 α 分配到不同终点、不同层级或不同比较中。这样做可以使主要结论和次要结论的检验顺序更清晰，也便于事先声明分析规则。
4.3.2 保守性与灵敏度的权衡
更严格的控制会减少误报，但也可能让真实效应更难被发现。实际分析中，通常需要根据研究目的、样本规模和后果严重性来决定控制强度。
5 实际应用
5.1 医学与临床试验
在医学研究中，家族错误率控制尤为常见，因为错误结论可能直接影响临床判断与后续研究方向。
5.1.1 多终点比较
一个临床试验往往会设置多个终点，如主要疗效指标、次要疗效指标和安全性指标。若对这些终点都进行显著性检验，就需要考虑家族错误率，以避免因偶然波动而得出过度乐观的结论。
5.1.2 多组治疗方案比较
当多个治疗方案与对照组同时比较时，若不做多重校正，就可能把随机波动误认为治疗差异。采用家族错误率控制后，可以更稳妥地判断哪些方案真正具有统计学意义。
5.2 心理学与社会科学
在心理学和社会科学中，研究者常面对多个量表、多个维度和多个模型结果，因此也会遇到典型的多重检验问题。
5.2.1 多变量测量分析
当研究同时分析多个心理变量或行为指标时，单纯依赖每个检验的原始 p 值容易夸大显著发现。控制家族错误率有助于减少由于重复检验带来的偶然显著。
5.2.2 问卷条目检验
问卷研究中常需要检查多个条目是否存在差异、偏倚或异常表现。若条目数量较多，使用校正方法能够降低把随机偏差误判为真实效应的风险。
5.3 生物统计与组学分析
组学数据通常维度极高，检验数量很多，因此多重错误控制是分析中的核心环节之一。
5.3.1 基因表达筛选
在基因表达分析中，研究者可能同时检测成百上千个基因是否差异表达。若不控制整体误报率，很容易出现大量看似显著、实则偶然的结果。
5.3.2 多指标筛查
除基因外，蛋白、代谢物和其他高维指标筛查也面临类似问题。家族错误率控制在这些场景中有助于将候选信号压缩到更可信的范围内。
5.4 工业与质量控制
在工业统计中，多点检测和批量监控同样会产生多重检验问题。
5.4.1 多工序检测
生产流程中若对多个工序或多个质量指标分别进行检测，那么任何一个异常判定都可能影响最终产品判断。控制家族错误率可以减少把正常波动误当作缺陷的情况。
5.4.2 批量参数监控
当系统需要同时监测多个参数时，单个阈值判断可能导致误报警偏多。通过适当的多重校正，可以让监控结果更稳定，减少不必要的干预。
6 优缺点
6.1 优点
家族错误率控制的核心优势在于它对误报风险具有较强约束力，尤其适合需要高置信度结论的研究。
6.1.1 提高结论可信度
通过限制至少一次错误拒绝原假设的概率，家族错误率方法可以提升整体推断的稳健性。对于需要严谨解释的正式分析，这种控制尤其重要。
6.1.2 适合严格控制误报的研究
在临床、监管或确认性研究中，错误阳性的代价通常较高。此时采用家族错误率控制，往往比更宽松的策略更符合研究目的。
6.2 缺点
家族错误率方法也有明显限制，最常见的问题是偏保守。
6.2.1 方法较保守
尤其在检验数量较多时，简单校正往往会显著压低阈值，使得很多原本边缘显著的结果无法通过检验。这样虽然降低了误报，却也可能错过真实信号。
6.2.2 可能降低统计功效
当校正过于严格时，检验功效会下降，第二类错误的概率上升。对于样本量有限或效应较弱的研究，这种影响会更加明显。
6.3 适用性权衡
是否采用家族错误率控制，通常取决于研究目标、结果代价以及检验规模。
6.3.1 何时优先控制 FWER
当研究结论需要高度可靠、且任何一次误报都可能带来较大影响时，通常优先控制家族错误率。典型情况包括确认性临床研究、正式验证分析和关键决策支持场景。
6.3.2 何时考虑其他错误率
若研究目标更偏向探索、筛选或发现线索，且检验数量很大，则可能更适合采用更宽松的错误控制指标。此时假发现率等方法往往更能兼顾发现能力与错误管理。
7 相关概念
7.1 假设检验
家族错误率建立在传统假设检验框架之上，因此理解原假设、备择假设以及 p 值等基础概念十分重要。
7.1.1 原假设与备择假设
原假设通常表示“无差异”或“无效应”，备择假设则表示存在差异或效应。多重检验中的每一个判断，本质上都是对这些假设关系的重复检验。
7.1.2 p 值与显著性水平
p 值用于衡量在原假设成立时观察到当前或更极端结果的概率；显著性水平则是拒绝原假设的门槛。家族错误率控制通常就是围绕这个门槛在多次检验中进行调整。
7.2 多重比较
多重比较是家族错误率最直接的应用背景，二者几乎总是同时出现。
7.2.1 事后比较
在总体检验之后再做的组间比较，常被称为事后比较。由于这类比较往往数量较多，且选择性较强，因此容易引发家族错误率问题。
7.2.2 预先计划比较
预先计划比较是在研究设计阶段就已明确的比较项目。相比事后比较，它更具结构性，也更容易通过分层或校正方式纳入整体错误控制框架。
7.3 统计校正
统计校正是应对多重检验问题的一般方法集合，而家族错误率控制是其中的重要目标之一。
7.3.1 多重检验校正框架
多重检验校正通常包括单步法、步进法以及基于模型结构的方法。不同框架在保守程度、适用条件和计算复杂度上各有差异。
7.3.2 置信区间调整
除 p 值校正外，置信区间也可以通过多重比较原则进行调整。调整后的区间通常更宽，用以反映在多次推断下维持整体错误控制所需付出的代价。