1 方法概述
Hochberg方法是一种用于多重假设检验的逐步校正程序，主要目标是在进行多个统计检验时控制家族错误率，同时尽量减少过度保守带来的检验效能损失。它常被视为 Bonferroni 校正的改进形式，尤其适合需要同时考察多个假设、且希望保留较高发现能力的研究场景。
1.1 统计学背景
在单个假设检验中，研究者通常依据预设的显著性水平判断结果是否成立。但当同一研究中同时进行多个检验时，哪怕每个检验都保持较低的第一类错误概率，整体发生至少一次误判的风险也会随检验数量上升而增加。Hochberg方法正是在这一背景下发展起来的，用以缓解多重比较造成的错误膨胀问题。
1.2 研究目的与适用场景
该方法的核心目的，是在控制整体错误率的前提下，提高对真实效应的识别能力。它适用于同时比较多个组别、多个终点或多项指标的研究设计，例如临床试验中的多终点分析、实验心理学中的多条件比较，以及高维数据分析中的若干候选假设筛选。
1.3 基本思想
Hochberg方法采用“由宽到严”的逐步比较思路，通常先从较不显著的检验结果开始判断，再逐步转向更显著的结果。与一次性统一修正不同，它并不要求所有检验都使用同一更严格标准，而是根据排序后的 p 值设置不同临界阈值，从而在保证控制错误率的同时，提升拒绝原假设的机会。
2 理论基础
2.1 家族错误率控制
家族错误率是指在一组相关检验中，至少出现一次第一类错误的概率。Hochberg方法以控制这一总体概率为目标，因此尤其适合那些对“任何一个假阳性”都较为敏感的研究任务。与只关注单次检验不同，它强调的是整组结论的可靠性。
2.2 多重比较问题
多重比较问题源于检验次数增加后，偶然显著结果更容易出现。若不作调整，研究者可能把随机波动误判为真实效应。Hochberg方法通过对 p 值进行排序并分配不同判定门槛，减少这种由重复检验带来的系统性偏差。
2.3 与单步校正方法的关系
单步校正方法通常对所有假设施加相同的保守标准，典型代表是 Bonferroni 校正。Hochberg方法则属于逐步程序，它在逻辑上延续了单步校正的错误控制目标，但在执行上更为灵活，因此往往能在相同显著性水平下保留更多统计功效。
3 计算步骤
3.1 p值排序
首先将所有待检验假设对应的 p 值从大到小排序，或者在某些表述中按从小到大排列后再逆向判断。排序的目的，是让检验过程能够根据显著性强弱依次处理各个假设，而不是对它们一视同仁。
3.2 逐步比较规则
Hochberg方法通常从最大 p 值开始，与最宽松的临界值比较。如果该 p 值仍满足拒绝条件，则其对应的假设以及更显著的那些假设都可一并判定为显著；若不满足，则继续比较次大的 p 值，并相应收紧临界标准，直到找到可拒绝的层级或全部比较结束。
3.3 判定显著性的过程
在实际操作中，一旦某个排序位置上的 p 值小于或等于对应阈值，该位置及其之前更显著的检验结果通常都会被判定为显著。这样的规则使得结论形成呈现出层级式展开的特点：越显著的证据越容易通过检验，而不显著的结果则被逐步排除。
3.4 临界值的设定
临界值一般与总体显著性水平以及检验总数相关。随着检验数量增加，单个比较对应的门槛会相应变化，但这种变化并非像 Bonferroni 那样对所有检验均采用同一严格标准。正因为阈值是分层设定的，Hochberg方法能够在严格控制错误率的同时保持较好的灵敏度。
4 适用条件
4.1 独立性假设
Hochberg方法最经典的理论保证建立在检验之间相互独立或近似独立的条件下。在这种情况下，它对家族错误率的控制更容易成立，也更便于解释。若检验之间存在复杂相关性，则需要谨慎评估其适用性。
4.2 正相关或特定依赖结构
在一些正相关或满足特定依赖条件的情形中，Hochberg方法仍可保持良好的控制性质。因此，它并不局限于完全独立的数据结构。但若变量之间关联过强或依赖模式异常复杂，研究者通常应结合具体设计与模拟结果判断其稳健性。
4.3 样本与检验类型的要求
该方法适用于常见的参数检验与部分非参数检验，只要每个检验都能产生可排序的 p 值即可。样本规模过小、估计不稳定或检验前提明显不满足时，即便采用 Hochberg校正，也可能影响结论可靠性，因此前提检查仍然重要。
5 与其他方法的比较
5.1 与 Bonferroni 方法比较
Bonferroni 方法以简单、保守著称，适合强调稳妥性的场合，但往往会降低发现真实差异的能力。Hochberg方法在控制同类错误率的同时，通常比 Bonferroni 更有统计功效，因此在多项检验数量较多时更具实用性。
5.2 与 Holm 方法比较
Holm 方法同样属于逐步校正程序，且在许多情形下比单步 Bonferroni 更灵活。与 Hochberg 相比，Holm 方法通常对依赖结构的要求更少，适用面较广；而 Hochberg 在满足条件时常能给出更宽松的判定结果，因此两者经常被并列讨论。
5.3 与 Benjamini-Hochberg 方法比较
Benjamini-Hochberg 方法主要控制假发现率，而不是家族错误率，因此其研究目标与 Hochberg 方法并不相同。前者更适合高维筛选和探索性分析，后者则更强调“至少一个假阳性”的严格控制。两者名称相近，但统计含义和应用定位不同。
5.4 优势与局限
Hochberg方法的优势在于计算简明、解释直观、功效通常优于传统单步校正。其局限则主要体现在对检验依赖结构的要求，以及在某些复杂场景下理论条件不易完全满足。研究者若只关注形式上的校正，而忽视数据结构，可能会高估其适用范围。
6 应用领域
6.1 医学与临床试验
在临床研究中，常常需要同时评估多个治疗终点、亚组指标或随访时间点。Hochberg方法可用于控制因多次比较而产生的假阳性风险，使主要结论更稳定，也便于在研究报告中呈现清晰的显著性判断。
6.2 生物统计与组学研究
在基因表达、蛋白质组、代谢组等研究中，检验数量往往非常多。虽然这类场景更常见的是控制假发现率的方法，但在需要对一组核心假设保持严格家族错误率控制时，Hochberg方法依然具有应用价值，尤其适合预先指定的有限比较集合。
6.3 心理学与行为科学
心理学实验经常涉及多个条件、多个量表维度或多个时间点比较。Hochberg方法能够帮助研究者在不显著牺牲敏感度的情况下处理这些并行检验，避免因重复分析而夸大结果。
6.4 工业与质量控制
在质量评估、工艺验证和产品对比中，可能需要同时检查若干关键指标是否达标。Hochberg方法可用于在多个规格项之间建立统一的判断框架，使多项检测结果在统计意义上更具一致性。
7 实务操作
7.1 软件实现
Hochberg方法已被多数统计软件和编程库支持，常可在多重比较或 p 值校正模块中直接调用。实践中，研究者通常只需提供原始 p 值和总体显著性水平，软件即可输出校正后的判定结果或相应的调整值。
7.2 结果报告方式
报告时通常应说明采用了何种多重校正方法、检验总数、显著性水平及最终显著结论。若篇幅允许，还可列出原始 p 值与校正后结果，以便读者判断修正幅度。对于正式论文或技术报告，注明使用 Hochberg方法有助于提高可重复性。
7.3 常见误用与注意事项
常见误用包括将其与假发现率控制方法混淆、在不适合的依赖结构下机械套用，以及只报告校正结果而忽略研究设计前提。另一个问题是把多重校正视为对所有偏差的“万能修复”，实际上它只能处理多重比较带来的错误膨胀，不能替代良好的实验设计与数据质量控制。
8 历史与发展
8.1 提出背景
Hochberg方法由统计学家 Yohai Hochberg 提出，旨在改进传统多重比较程序过于保守的缺点。其出现与现代统计分析中对高效、可解释且可实施的校正策略的需求密切相关。
8.2 学术影响
该方法提出后，迅速进入多重检验理论与应用统计的标准讨论框架。它不仅在方法学文献中占据重要位置，也逐渐成为教学和实务软件中的常见选项，与 Bonferroni、Holm 等方法一同构成多重比较校正的基础工具箱。
8.3 后续改进与扩展
随着高维统计和复杂数据分析的发展，研究者围绕依赖结构、分层检验以及自适应校正等方向进行了进一步扩展。尽管如此，Hochberg方法仍因结构清晰、易于实现而具有长期生命力，尤其适合作为理解逐步多重校正的经典范例。
9 相关概念
9.1 显著性水平
显著性水平是预先设定的错误容忍阈值，常记为 α，用于控制第一类错误概率。Hochberg方法的所有临界判断都围绕这一参数展开。
9.2 置信区间
置信区间用于描述参数估计的不确定范围。虽然它与 p 值校正属于不同层面的统计工具，但在解释多重检验结果时，常与显著性判断配合使用。
9.3 多重检验校正
多重检验校正是指针对多个同时进行的统计测试，采用调整规则以控制整体错误风险的一类方法。Hochberg方法是其中较为经典的一种。
9.4 假发现率与家族错误率
假发现率关注被判定为显著的结果中错误发现所占比例，而家族错误率关注整组检验中是否至少出现一次假阳性。二者控制目标不同，适用场景也各有侧重。