第纠卷第４期 统计研究 Ｖｄ．２４。Ｎｏ．４

２００７年４月 Ｓｔａｔｉｓｔｉｃａｌ Ｒｅ９目Ｉｒｃｈ Ａｐｒ．２００７

多重假设检验及其在经济计量中的应用
刘乐平 张 龙蔡正高

内容提要：基于错误发现率（ＦＤＲ：Ｆａｌｓｅ Ｄｉｓｃｏｖｅｒｙ Ｒａｔｅ）的多重假设检验（ＭＨＴ：Ｍｕｌｔｉｐｌｅ ＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇ），已成为

一种有效解决大规模统计推断问题的新方法。本文以错误控制为主线，对多重假设检验问题的错误控制理论、方
法、过程和最新进展进行综述，并对多重假设检验方法在经济计量中的应用进行展望。

关键词：多重假设检验（ＭＨＴ）；错误发现率（ＦＤＲ）；经济计量学；ｑ－值
中图分类号：Ｃ８１２ 文献标识码：Ａ 文章编号：１００２—４５６５（２００７）０４—００２６—０５

Ａ Ｍｕｌｔｉｐｌｅ Ｈｙｐｏｔｈｅｓｉｓ Ｔｅｓｔ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ ｉｎ Ｅｃｏｎｏｍｅｔｒｉｃｓ

Ｌｉｕ Ｉ．ｅｐｉｎｇ Ｚｈａｎｇ Ｌｏｎｇ Ｃａｉ Ｚｈｅｎｇｇａｏ

Ａｂｓｔｒａｃｔ：Ｉｔ ｉｓ ｃｏｍｍｏｎ ｉｎ ｅｃｏｎｏｍｅｔｒｉｃ ａｐｐＨｃａｔｉｏｎｓ ｔｈａｔ ｓｅｖｅｒａｌ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｓ ａｒｅ ｃａｒｒｉｅｄ ｏｕｔ ａｔ ｔｈｅ姗ｅ ｔｉｍｅ．Ｔｈｅ ｐａｐｅｒ

ｒｅｖｉｅｗｓ ｔｈｅ ｔｈｅｏｒｙ ａｎｄ ｐｒｏｃｅｄｕｒｅｓ ｏｆ ｍｕｌｔｉｐｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｉｎｇ（ＭＨＴ），ｓｕｍｍａｒｉｚｅｓ ｔｈｅ ｒｅｃｅｎｔ ｄｅｖｅｌｏｐｍｅｎｔｓ ｏｆ ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ

ｒａｔｅ ａｎｄ ｆｉｎａｌｌｙ ｐｒｏｓｐｅｃｔｓ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＭＨＴ ｉｎ ｅｃｏｎｏｍｅｔｒｉｃｓ．

Ｋｅｙ ｗｏｒｄｓ：Ｍｕｌｔｉｐｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｉｎｇ；ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ；ｅｃｏｎｏｍｅｔｒｉｃｓ；ｑ－ｖａｌｕｅ

一、引言 设检验作为一个整体（称为一个检验族：Ｆａｍｉｌｙ．
ｗｉｓｅ），然后对这个检验族中的每个假设同时进行检
巨型（海量）数据集合问题与大规模（高维）推断
验的问题。它是现代ＤＮＡ数据统计分析中迫切需
问题（ｈｕｇｅ ｄａｔａ ｓｅｔｓ ａｎｄ ｌａｒｇｅ．ｓｃａｌｅ ｉｎｆｅｒｅｎｃｅ ｐｒｏｂｌｅｍｓ）
要解决的问题，例（苟鹏程等，２００６）Ｈｏ，在基因芯片
被总结成为２ｌ世纪统计学需要突破的两大难题
数据统计分析中，“微阵列（Ｍｉｃｍａｒｒａｙ）”技术的迅速
（Ｅｆｒｏｎ，Ｂ．，２００５）¨］。为解决巨型数据集合问题
发展，给统计学专业人员提供了大量的微阵列数据。
——数据挖掘（Ｄａｔａ Ｍｉｎｉｎｇ）的理论、方法和技术已
这类资料的特点：样本含量较小（一般为十几个或数
应运而生。而对于大规模统计推断问题，基于错误
十个），而变量数（基因数）非常多（一般为几百、几千
发现率①（ＦＤＲ：Ｆａｌｓｅ Ｄｉｓｃｏｖｅｒｙ Ｒａｔｅ）的多重假设检
甚至几万个）。如何对微阵列数据的差异表达进行
验（ＭＨＴ：Ｍｕｌｔｉｐｌｅ Ｈｙｐｏｔｈｅｓｉｓ Ｔｅｓｔｉｎｇ），也为研究者提
供了一种有效的新思路。 ＊本文获天津市２００５年度社科研究规划项目“经济计量学现代

在世界顶级的两大学术刊物《Ｓｃｉｅｎｃｅ》和 贝叶斯统计建模研究”（ＴＪ０５．ＴＪ００１）；教育部人文社会科学重大项目

“我国车险统计精算的广义线性模型及其应用研究”（０５ＪＪＤｇｌＯｌ５２）的
（Ｎａｔｕｒｅ）上，近期都出现了ＦＤＲ的应用研究成果：
资助。本文得到美国佛罗里达大学生物统计系教授吴尚武（Ｓａｍｕｅｌ
２００１年，天体物理学家与统计学家合作在（Ｓｃｉｅｎｃｅ）
Ｓ．ｗｕ）博士的大力帮助，在此表示感谢！当然，文责自负。
上发表了利用ＦＤＲ方法证实宇宙起源大爆炸理论 ①ＦＤＲ：Ｆａｌｓｅ Ｄｉｓｃｏｖｅｒｙ Ｒａｔｅ，国内学者还有其它多种译法，如
的论文（Ｍｉｌｌｅｒ，Ｃ Ｊ．，Ｎｉｃｈ０１．，Ｒ Ｃ．，Ｂａｔｕｓｋｉ，Ｄ Ｊ．， “假发现率”和“阳性发现错误率”等。本文采用“错误发现率”的翻译

Ｓｃｉｅｎｃｅ，２００１）心］。２００５年，在（Ｎａｔｕｒｅ）上，遗传学家 是沿用了单重假设检验中第１类错误（Ｔｙｐｅ Ｉ ｅｒｒｏｒ－ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）的

含义。
与统计学家合作，将ＦＤＲ方法用于遗传多态现象间
②多重假设检验问题与经典统计中的多重比较问题（如方差
交互作用对基因表达的影响研究（Ｂｒｅｍ，ＲＢ．，
分析后多组均敷的比较或多组等级分布比较后的两两比较等）不同。
Ｓｔｏｒｅｙ，ＪＤ．，Ｗｈｉｔｔｌｅ，Ｊ．ａｎｄ Ｋｒｕｇｌｙａｋ，Ｌ．，Ｎａｔｕｒｅ， 在样本观测数据方面，经典统计多重比较问题主要是基于同一组样

２００５）Ｃ３１。 本观测数据进行多个不同的假设检验。而多重假设检验同题则是对

应每一个单重假设检验，都有其相对独立的样本观测数据。
多重假设检验问题②，是首先将多个单重的假

万方数据
第Ｍ卷第４期 期乐平等：多重假设检验硬箕在经济计量中的应用 ・２７・

假设检验，是～个典型的多重假设检验问题。 真的个数记为ｍ。，则剩余ｍ—ｍ。个原假设为假。
本文针对多重假设检验问题，以错误控制为主 在对这ｍ重假设进行检验后。最终检验结果中有露
线，对多重假设检验问题的错误控制理论、方法、过 个拒绝原假设，ｍ—Ｒ个不拒绝原假设。
程和最新进展进行综述，并对多重假设检验方法在 将ｍ个检验中所犯Ｉ类错误和Ⅱ类错误分成
经济计量中的应用进行展望。 四个部分：￡，、ｙ、Ｓ和ｒ。￡，和Ｓ表示／＇／ｉｔ个检验中正

二、多重假设检验 确检验的个数；Ｖ表示ｍ个检验中犯Ｉ类错误检验
的个数；Ｔ表示ｍ个检验中犯Ⅱ类错误检验的个
（一）多重假设检验的错误控制问题
数。
将多重假设检验问题用记号简化，设ｍ重假设
．

显然，Ｒ是一个可以观测的随机变量，而Ｕ、ｙ、
检验｛凰，巩，…，以｝组成一个检验族，其中单个假
Ｓ和ｒ都是不可观测的随机变量。
设检验甄对应着单重假设检验（风；，也）（ｉ＝１，
同单重假设检验的思想类似，对ｍ重假设检验
２，…，ｍ）。当ｍ很大时，要对这ｍ重假设同时进行
也需重点考虑犯Ｉ类错误和犯Ⅱ类错误的情况。不
检验。那么，怎样对最终检验的错误进行控制？
同的是关注的是将这ｍ次检验作为一个总体看待，
对于单重假设检验（Ｓｉｎｇｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｉｎｇ）问
其中犯Ｉ类错误或犯Ⅱ类错误在所有错误中所占的
题，Ｎｅｙｍａｎ和Ｐｅａｒｓｏｎ的Ｎ．Ｐ假设检验理论的基本
比例。下面介绍五种常用的错误度量标准。
思想就是：使得犯第１类错误的概率限制在某个范
１．平均族错误率（ＰＦＥＲ：Ｐｅｒ－ｆａｍｉｌｙ Ｅｒｒｏｒ Ｒａｔｅ）。
围内，然后寻找使犯第二类错误的概率尽可能小（从
对于一个多重假设检验族（Ｆａｍｉｌｙ．ｗｉｓｅ），非常自然的
而检验的功效（ｐｏｗｅｒ）尽可能大）的检验。
错误控制过程就是将ｍ个检验分别单独考虑，控制
限制检验犯第１类错误的概率口的范围就是
ｍ个检验中犯Ｉ类错误检验个数Ｖ的期望值。即
检验的水平（也称检验的显著性水平）。口常取一个
控制平均族错误率（ＰＦＥＲ：Ｐｅｒ－ｆａｍｉｌｙ Ｅｒｒｏｒ Ｒａｔｅ）＝Ｅ
较小的数，如０．０５，０．０１等。目前常用的检验方法
（ｙ）。由于ｙ表示ｍ重检验中犯Ｉ类错误检验的个
是，将Ｐ值与显著性水平口进行比较：如果ｐ＿值小
数，它是研究人员特别关心的，但是由于无法观测，
于或等于Ｏｔ，就拒绝原假设，如果ｐ－值大于口，就不拒
所以用Ｖ的期望来控制错误是最自然的考虑。
绝原假设。所以，在单重假设检验问题中，主要通过
不过，平均族错误率（ＰＦＥＲ）比较明显的弊病在
控制犯第１类错误的概率口（检验的显著性水平）来
于没有考虑检验的总次数，而检验的总次数与最后
达到对单重假设检验统计推断的错误控制。
的错误控制密切相关。
而对于多重假设检验，再用控制犯第１类错误
２．平均比较错误率（ＰＣＥＲ：Ｐｅｒ－ｃｏｍｐａｒｉｓｏｎ Ｅｒｒｏｒ
的概率口来对多重假设检验的总体错误进行度量
Ｒａｔｅ）。在平均族错误率（ＰＦＥＲ）的基础上，学者给出一
就会出现无效的情形。因此，必须采用新的方法对
了平均比较错误率（ＰＣＥＲ：Ｐｅｒ－ｃｏｍｐａｒｉｓｏｎ Ｅｒｒｏｒ
多重假设检验的错误进行控制。在对多重假设检验
Ｒａｔｅ）：ＰＣＥＲ＝Ｅ（ｖ）／ｍ。
错误进行控制之前，需要先了解如何对多重假设检
从定义容易看出，平均比较错误率（ＰＣＥＲ）主要
验的错误进行度量。
描述的是平均族错误率（ＰＦＥＲ）在ｍ个检验中所占
（二）多重假设检验的错误度量 的比例。平均比较错误率（ＰＣＥＲ）的思想是基于在
对于ｍ重假设检验，分别对每个假设进行检 所有ｍ个检验中，“错误拒绝（ｆａｌｓｅ ｒｅｊｅｃｔｉｏｎｓ）”（犯Ｉ
验，再将所有检验结果按原假设为真和为假的条件， 类错误）的次数ｙ所占的百分比。对每一个假设都
进行分类总结，可得表１。 在显著性水平口下进行检验，可以控制ＰＣＥＲ＝Ｅ
表１ 埘重假设检验结果
（Ｖ）／ｍ小于或等于事先给定的口。
不拒绝Ｈ０（检验不显著） 拒绝／／ｏ（检验显著）
平均比较错误率（ＰＣＥＲ）控制的不足是，将ｍ
原假设％为真 ￡， ／ ｙ（第１类错误） ／／１０

原假设Ｈｅ为假 ｒ（第Ⅱ类错误） Ｓ ｍ—ｍ０ 重假设检验中的每一个假设检验都在口下进行，而

ｍ一矗 詹 没有考虑多重假设检验问题的“总体性”，使得检验
注：资料来源：Ｂｅｎｉｍｎｉｎｉ，Ｙ．，Ｈ∞ｈｂｅ唱，Ｙ．，（１９９５）ｔ引。 标准过于“宽松”。
在表１中，将ｍ重假设检验中ｍ个原假设中为 ３．族错误率（ＦＷＥＲ：Ｆａｍｉｌｙ—ｗｉｓｅ Ｅｒｒｏｒ Ｒａｔｅ）。为

万方数据
 ・２８・ 统计研究 ２，００７年４月

了克服平均比较错误率（ＰＣＥＲ）的不足，这时，学者
将注意力放到了表２中“错误拒绝”——或称为“错
ｐＦＤＲ＝Ｅ［百Ｖ ｌ Ｒ＞０】
误发现（ｆａｌｓｅ ｄｉｓｃｏｖｅｒｉｅｓ）”——发生的次数ｙ上。希 比较ＦＤＲ和ｐＦＤＲ两者的定义可知，ｐＦＤＲ是

望通过在显著性水平口范围内，控制“在ｍ次检验 ＦＤＲ的一种特例。 ．

中至少发生‘错误发现’一次”的概率来控制多重假 Ｂｅｎｊａｍｉｎｉ，Ｙ．和Ｈｏｅｈｂｅｒｇ，Ｙ．（１９９５）给出ＦＤＲ

设检验整体的错误。即控制 的定义时，考虑了ｐＦＤＲ无效的情形，他们认为，当
所有ｍ个原假设均为真时，表２中的ｍ。＝ｍ，那么，
ｐｒ（ｙ≥１）≤ａ或ｐｒ（Ｖ＞０）≤口
于是有了族错误率（ＦＷＥＲ：Ｆａｍｉｌｙ．ｗｉｓｅ Ｅｒｒｏｒ Ｖ＝Ｒ，则ｐＦＤＲ＝１。在这种情形下，无法选择显著

Ｒａｔｅ）：ＦＷＥＲ＝Ｐ（ｙ≥１）的定义。族错误率（ＦＷＥＲ） 性水平口，使得ｐＦＤＲ＜口。
与ＰＣＥＲ不同，它是一个概率值，表示的是ｍ重检 Ｓｔｏｒｅｙ（２００２）ｎ１却认为，在实际问题中，ｍ个原
验中至少犯一次Ｉ类错误的概率。 假设均为真的情形非常少，人们更关心的是当原假
对每一个假设都在显著性水平ａ／ｍ下进行检 设中存在不真的情况下的假设检验问题。所有当

验，可以保证ＦＷＥＲ＝Ｐ（Ｖ≥１）小于或等于事先给 ｍ—ｍ。＞０时，ｐＦＤＲ定义就具有广泛的应用。
定的Ｏｔ。 （三）多重假设检验的错误控制过程‘
４．错误发现率（ＦＤＲ）。Ｂｅｎｊａｍｉｎｉ，Ｙ．， 传统的多重假设检验主要是控制族错误率
Ｈｏｅｈｂｅｒｇ，Ｙ．（１９９５）ｂ１提出的错误发现率（ＦＤＲ）的 （肼ＥＲ：Ｆａｍｉｌｙ．ｗｉｓｅ Ｅｒｒｏｒ Ｒａｔｅ）。Ｈｏｌｍ（１９７９）首先
定义如下： 将检验ｐ．值按小大次序排序，对经典Ｂｏｎｆｅｒｒｏｎｉ过程

肋Ｒ：ｆ【 Ｅ（志）＝Ｅ（鲁）Ｒ≠ｏ
进行改进，提出Ｈｏｌｍ逐步向下控制过程。随后，
Ｓｉｍｅｓ（１９８６），Ｈｏｍｍｅｌ（１９８８）和Ｒｏｍ（１９９０）在此基
ｏ Ｒ：ｏ
础上对改进的Ｂｏｎｆｅｒｒｏｎｉ过程进行了拓展。
其中，ｙ表示ｍ个检验中错误拒绝的个数，Ｓ表示ｍ
在多重假设检验错误控制问题的研究过程中，
个检验中正确检验的个数，Ｒ表示ｍ个检验中拒绝
具有里程碑意义的是错误发现率（ＦＤＲ）的提出。
原假设的个数。定义表明：错误发现率（ＦＤＲ）表示
ＦＤＲ建立了一个全新的错误控制理论，１９９５年由以
的是ｍ重检验Ｒ次拒绝中错误拒绝（犯Ｉ类错误）
色列Ｔｅｌ Ａｖｉｖ大学统计学教授Ｙｏａｖ Ｂｅｎｊａｍｉｎｉ和
个数ｙ所占比例的期望。
Ｈｏｃｈｂｅｒｇ共同提出（Ｂｅｎｊａｍｉｎｉ，Ｙ．，Ｈｏｃｈｂｅｒｇ，Ｙ．，
ＦＤＲ的定义是在多重假设检验过程中，错误拒
１９９５）ｂ］。这篇文献现已成为多重假设检验问题理
绝（拒绝真的原（零）假设）的个数占所有被拒绝的原
论和应用研究的必引文献。ＦＤＲ控制过程特别适
假设个数的比例的期望值。与控制ＦＷＥＲ相比，控
用于大规模的多重比较和多重假设检验问题。本文
制ＦＤＲ不仅提高了检验的功效，同时也改进了传统
主要介绍四种多重假设检验错误控制过程。
的多重假设检验过程过于保守的缺陷。
１．经典Ｂｏｎｆｅｒｒｏｎｉ多重检验过程。考虑ｍ重假
从ＦＤＲ的定义中可以得到非常重要的两个性
设检验｛日。，吼，…，巩｝，对于每个假设ｑ，都有相
质［５］：（１）如果所有原假设全为真，即当ｍ。＝ｍ时，
对应的Ｐ＿值⑦Ｐ。，于是有｛Ｐ。，Ｐ：，…，Ｐｍ｝。现给
ＦＤＲ＝ＦＷＥＲ。所以控制ＦＤＲ意味着弱控制条件
定一显著性水平口，将每个假设平等对待，即将显著
下①可以控制ＦＷＥＲ。
（２）当ｍ。＜ｌｉｔ时，ＦＤＲ小于或等于ＦＷＥＲ。所 性水平口除以ｍ，以ａｉｍ为标准，在｛Ｐ，，Ｐ：，…巳｝
中，若Ｐ；≤ａ／ｍ，则拒绝Ｈ。（ｉ＝１，…，ｍ），由
以，此时，任何控制ＦＷＥＲ的过程同样也可以控制
ＦＤＲ。不过，如果一个过程只能控制ＦＤＲ，这或许有 Ｂｏｎｆｅｒｒｏｎｉ不等式可得

些过于“严厉（ｓｔｒｉｎｇｅｎｔ）”，但对于在实际检验中经常 ’

遇到的原假设中有绝大部分不真的情况下，这种检 ①ｍ重假设检验的错误控制假设条件主要分成两种情形：弱
控制（ｗｅａｋ ｃｏｎｔｒ０１）和强控制（ｓｔｒｏｎｇ ｃｏｎｔｒ０１）。弱控制是指ｍ重假设检
验过程的势（ｐｏｗｅｒ）会有所提高。
验中，所有的ｍ个原假设全为真；而强控制是指ｍ重假设检验中，肼
５．正错误发现率（ｐＦＤＲ：ｐｏｓｉｔｉｖｅ Ｆａｌｓｅ Ｄｉｓｃｏｖｅｒｙ
个原假设中有真有假（Ｓｈａｆｆｅｒ，１９９５）［６１。

Ｒａｔｅ）。ｐＦＤＲ的定义为＂１： ②实际为调整的．Ｐ值（ＡｄｊｌＩｓ。ｅｄ ｐ－ｖａｌｕ瞄），（ｓｈａ舵ｒ，１９９５）ｔ引。

万方数据
第Ｍ卷第４期 期乐平等：多重假设检验及其在经济计量中的应用 ・２９・

…，Ｐ．｝。Ｂｅｎｊａｍｉｎｉ，Ｙ．，ＨｏｃｈｌⅪｒｇ，Ｙ．（１９９５）ｂ１在
ｐｒ｛Ｕ（Ｐｉ≤ａｌｔｏ）｝≤口（０≤口≤Ｉ））
Ｓｉｍｅｓ（１９８６）和Ｈｏｃｈｂｅｒｇ（１９８８）的基础之上提出的Ｂ．
经典Ｂｏｎｆｅｒｒｏｎｉ多重检验过程具有简单和直观
Ｈ过程包括以下步骤：
的特点，由于没有分布的假设，便于应用。但是，因
步骤１：将｛ＰＩ，Ｐ２，…，ｎ ｌ排序，设Ｐ（１）≤Ｐ（２）
为它将每个检验都同等对待，所以在多重假设检验
≤…≤Ｐ（．），相对应，ｍ重假设检验变换为｛日（Ｉ），
的维数ｍ很大时，或部分检验具有强相关性时，检
日（２），…，日（。）｝；
验标准就会过于严格，检验过程就会显得过于保守，
导致检验的功效（ｐｏｗｅｒ）较低。
步骤２：令矗＝ｍａｘｌｋ：Ｐｃ”≤》，ｌ≤｜｜Ｉ≤ｍｊ；
２．改进的Ｂｏｎｆｅｒｒｏｎｉ多重检验过程。Ｈｏｌｍ
步骤３：从Ｐ㈧开始，按步骤２逐步向下检验；
（１９７９）首先将检验Ｐ－值按小大次序排序，对经典
步骤４：若存在满足步骤２的矗，则拒绝｛日…，
Ｂｏｎｆｅｒｒｏｎｉ过程进行改进，提出Ｈｏｌｍ逐步向下（ｓｔｅｐ－
日（２），…，日（Ｉ）｝。否则，不拒绝｛日（１），日（２），…，
ｄｏｗｎ）控制过程。即，在进行假设检验前，先将检验
日（。）｝。
的Ｐ值按小大次序排序，记为Ｐ（１），Ｐ（２）…Ｐ（。）。然
在Ｂ．Ｈ过程基础上，Ｂｅｎｊａｍｉｎｉ，Ｙ．和其他学者
后对所有的Ｊ＝１，…，ｉ，判断Ｐ㈤≤ａ／（ｍ—Ｊ＋１）是
进行了不断的改进。如Ｂｅｎｊａｍｉｎｉ，Ｕｕ（１９９１）；
否成立，如果此式成立，则拒绝假设日㈤。
Ｂｅｎｊａｍｉｎｉ，Ｙｅｋｕｔｉｅｌ（２００１）等在相依情形和与分布无
Ｓｉｍｅｓ（１９８６）在Ｈｏｌｍ检验的基础上对控制过程
关情形下对多重检验过程进行了拓展。
进行改进，对所有Ｊ＝ｌ，一・，ｍ，判断Ｐ（，）≤ｊａ／ｍ是
４．ｐＦＤＲ多重检验过程。以上错误控制过程都
否成立，如果存在一个．『成立，则拒绝所有假设
遵循这样一个模式：在先给定错误控制水平——固
｛日Ｉ，凰，…以｝ｏ
定第１类错误水平的前提下，基于单个假设检验，再
Ｈｏｃｈｂｅｒｇ（１９８８）提出了逐步向上（ｓｔｅｐ．ｕｐ）控制
通过错误控制过程构造出检验的拒绝域。最后，得
过程，以下式为标准，进行检验。当
出检验结果。

ｃ）≤ｉ■鼎口ｊ（ｏ≤口≤１）
ｒ １ １

．ｉ｝＝ｍａｘｉ Ｐ ｃ 而Ｓｔｏｒｅｙ（２００１，２００２，２００３）¨ｏ却提出了一种全新
的假设检验新思路：凭经验先给出拒绝域，然后去估
时，拒绝假设日（１），日（２），…日（Ｉ）。
计错误率。如果这个估计能够被接受，则认为该检
Ｈｏｅｈｂｅｒｇ逐步向上控制过程可用以下过程图表示：

一日
验是有效的；如果错误率较大，可以通过调整拒绝域
使得错误率被控制在满意的水平。这种新方法无疑

毋。 提高了多重假设检验的实用性（裴艳波，２００５）口Ｊ。

Ｓｔｏｒｅｙ利用ｐＦＤＲ给出了４．值的定义和算法：

目
对于一个观测统计量Ｔ＝ｔ，
ｑ—ｖａｌｕｅ（ｔ）＝ ｉｎｆ ｐＦＤＲ（Ｌ）。
’Ｌ；‘∈１：ｌ

昔
蓦固
三、在经济计量研究中的应用
建立经济模型、估计经济模型和检验经济模型
是经济计量学的主要内容，而估计和检验——统计

圆 推断的主要内容正是经济计量学方法的核心。所
以，统计学理论和方法的发展可以极大促进经济计
量学研究的发展。本文讨论的多重假设检验理论与
方法，虽然主要来源于基因芯片数据的统计分析研
究，但是由于在社会经济等领域中，同样也大量存在
类似的复杂数据。
３．ＦＤＲ多重检验过程。考虑ｍ重假设检验 （一）结构方程模型检验中的应用
｛日。，耽，…，以｝，相对应的检验Ｐ－值为｛Ｐ。，Ｐ：， 结构方程模型（ＳＥＭ，Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ
疆

万方数据
 ・３０・ 统计研究 ２００７年４月

Ｍｏｄｅｌｉｎｇ）是一种通用的线性统计建模技术，已成为 “怀特真实性检验”（Ｗｈｉｔｅ’Ｂ ＲｅＭｉｔｙ Ｃｈｅｃｋ），并成为

重要的多元统计分析方法，并日益受到广大研究者 实证分析中重要的检验工具。
的重视。Ｇｒｅｅｎ Ｓ．Ｂ与Ｂａｂｙａｋ Ｍ．Ａ（１９９７）¨０１将ＦＤＲ
技术应用于结构方程模型的研究。他们对结构方程 参考文献
［１］Ｅｆｒｏｎ，Ｂ．Ｂａｙｅｓｉａａｓ，Ｆｒｅｑｕｅｎｔｉｓｔｓ ａｎｄ Ｓｃｉｅｎｔｉｓｔｓ［Ｊ］．Ｊ．Ａｍ．Ｓｔａｒ．
模型中带约束条件的第１类错误的概率的控制进行
Ａｓｓｏｅ，２００５，１００：ｌ一５．
了研究，提出了在结构性方程模型中评价带约束条件
［２］Ｍｉｌｌｅｒ，ｃＪ．，Ｎｉｃｈ０１．，ＲＣ．，Ｂａｔｕｓｋｉ，ＤＪ．Ａｃｏｕｓｔｉｃ ｏｓｃｉｌｌａｔｉｏｎｓ ｉｎ ｔｈｅ

的多重检验和控制第１类错误的两种对比性的观点。 ａｎｄ
ｅａｒｌｙ ｕｎｉｖｅｒｓｅ ｔｏｄａｙ［＂Ｊ】．Ｓｃｉｅｎｃｅ，２００１，２９２（５５２５）：２３０２－－２３０３．
Ｇｒｅｅｎ Ｓ．Ｂ与Ｂａｂｙａｋ Ｍ．Ａ（１９９７）¨叫的研究表明， ［３］Ｂｒｅｍ，ＲＢ．，Ｓｔｏｒｅｙ，ＪＤ．，Ｗｈｉｔｔｌｅ，Ｊ．ａｎｄ Ｋｒｎｇｌｙａｋ，Ｌ．Ｇｅｎｅｔｉｃ

结构方程模型中一个标准策略是指在拒绝一个初始 ｉｎｔｅｒａｃｔｉｏｎｓ ｂｅｔｗｅｅｎ ｐｏｌｙｎｍｒｐｈｉｓｍｓ ｔｈａｔ ａｆｆｅｃｔ ｇｅｎｅ ｅｘｐｒｅｓｓｉｏｎ ｉｎ ｙｅａｓｔ

［Ｊ］．Ｎａｔｕｒｅ，２００５，４３６：７０１—７０３．
模型以后实施拉格朗日乘数检验。通过这些检验控
［４］荀鹏程等．徽阵列数据的多重比较［Ｊ】．中国卫生统计，２００６（１）：
制第一类错误将模型中包含的不必要的附加参数的
５－－８．
相似性最小化。在因子分析模型中用模拟试验数据
［５］Ｂｅｎｊａｍｉｎｉ，Ｙ．ａｎｄ Ｈｏｃｈｂｅｒｇ，Ｙ．Ｃｏｎｔｒｏｌｌｉｎｇ ｔｈｅ ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ：

评价第１类错误控制有三种方法：一是标准方法，即 Ａ ｐｒａｃｔｉｃａｌ ａｎｄ ｐｏｗｅｒｆｕｌ ａｐｐｒｏａｃｈ ｔｏ

ｍｕｈｉｐｌｅ ｔｅｓｔｉｎｇ［Ｊ］．Ｊ．Ｒｏｙ．

在０．０５显著水平下检验每个参数；二是Ｂｏｎｆｅｒｒｏｎｉ Ｓｔａｔｉｓｔ．Ｓｅｅ．Ｓｅｒ．Ｂ，１９９５，５７：２８９－－３００．

方法；三是同步检验过程（ＳＴＰ）方法。在具体的搜索 ［６］Ｓｈａｆｆｅｒ，ＪＰ．Ｍｕｌｔｉｐｌｅ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｉｎｇ：Ａ ｒｅｖｉｅｗ［Ｊ】．ＡｍＩ｜ａｌ Ｒｅｖｉｅｗ

０ｆ Ｐｓｙｃｈｏｌｏｇｙ．１９９５．４６：５６１－－５８４．
中有三个因素需要处理：因子权重、样本容量和参数
［７］Ｓｔｏｒｅｙ，ＪＤ．Ａ ｄｉｒｅｃｔ ａｐｐｒｏａｃｈ ｔｏ ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｍ弛［Ｊ］．Ｊ．Ｒ．Ｓｔａｒ．
个数。标准方法和ＳＴＰ（同步检验过程）方法分别产 Ｓｏｃ．Ｓｅｔ．Ｂ Ｓｔａｔ．Ｍｅｔｌｌｏｄｏｌ。２００２，６４：４７９＿一４９８．

生极度自由的和极度保守的族误差率。但是 ［８］Ｓｔｏｒｅｙ，ＪＤ．Ｔｈｅ ｐｏｓｉｔｉｖｅ ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ：Ａ Ｂａｙｅｓｉａｎ ｉｎｔｅｒｐｔｖｌａｆｉｏｎ

Ｂｏｎｆｅｒｒｏｎｉ方法产生接近正常水平的错误率。此后， ａｎｄ ｔｈｅ ｑ－ｖａｈｅ［Ｊ］．Ａｎｎ．Ｓｔａｔｉｓｔ，２００３，３１：２０１３—２０３５．

Ｇｒｅｅｎ ＳＢ，Ｔｈｏｍｐｓｏｎ ［９］裴艳波．多重假设检验问题中关于三种错误测度．ＦＷＥＲ，ＦＤＲ和

ＭＳ，Ｂａｂｙａｋ，ＭＡ．（１９９８），Ｃｒｉｂｂｉｅ
ｐＦＤＲ的讨论［Ｄ］：［硕士学位论文］．长春：东北师范大学，２００５．
ＲＡ（２０００）对结构方程模型的错误控制问题进行了
Ｉ ｗｉｔｈ ｍｕｌｔｉｐｌｅ ０ｆ
［１０］Ｇｒｅｅｎ ＳＢ，Ｂａｂｙａｋ。ＭＡ．Ｃｏｎｔｒｏｌ ｏｆ ｔｙｐｅ ｅｒｒｏｌＢ ｔｅａｔｓ

更加深入的研究。
ｃｏｎｓｔｒａｉｎｔｓ ｉｎ ｓｔｒｕｃｔｕｒａｌ ｅｑｕａｔｉｏｎ ｍｏｄｅｌｉｎｇ［Ｊ】．ＭＵＬＴＩＶＡＲ ＢＥＨＡＶ

（二）金融计量分析中的应用 ＲＥＳ，１９９７（１）：３９－一５１．
在经济和金融的实证研究中，不可避免的会卷 ［“］Ｊｏｓｅｐｈ，Ｐ．，Ｒｏｍａｎｏ，Ｍｉｃｈａｅｌ Ｗｏｌｆ．Ｓｔｅｐｗｉｓｅ ｍｕｌｔｉｐｌｅ ｔｅｓｔｉｎｇ∞

入所谓数据探察（ｄａｔａ ｓｎｏｏｐｉｎｇ）的困境中。经济研 ｆｏｒｍａｌｉｚｅｄ ｄａｔａ ｓｎｏｏｐｉｎｇ［Ｊ］．Ｅｅｏｎｏｍｅｔｒｉｃａ，２００５（４）：１２３７－－１２８２．

［１２】Ｌｅｈｍａｎｎ，Ｅ Ｌ。，Ｊｏｓｅｐｈ，Ｐ．ａｎｄ Ｒｏｍａｎｏ．Ｇｅｎｅｒａｌｉｚａｔｉｏｎｓ ｏｆ ｔｈｅ
究显然与物理研究不同，无法设计出可以可反复再
ｆａｍｉｌｙｗｉｓｅ ｅｒｒｏｒ ｒａｔｅ［Ｊ］．Ａｎｎ．Ｓｔａｔｉｓｔ，２００５（３）：１１３８－－１１５４．
现的情形。用来分析的经济数据只能出现一次而不
能重复产生。经常碰到的问题是，面对单一的数据
作者简介
集，需要做出“最佳”的决策，或者在一定基准
刘乐平，江西省，４１岁，男，２００３年毕业于中国人民大学
（ｂｅｎｃｈｍａｒｋ）下“较好”的策略。而这个基准可能是 统计学院，获经济学博士学位，现为天津财经大学统计系教
固定的也可能是随机的。 授，博士生导师，精算技术研究所所长，中国人民大学应用统
在经济计量分析中，特别是金融计量分析中，数 计科学研究中心兼职教授。研究方向为精算与风险管理、贝
据探察问题受到了许多研究人员的关注。如Ｃｏｗｌｅｓ 叶斯经济计量学。

（１９３３），Ｌｅａｍｅｒ（１９８３），Ｌｏｖｅｌｌ（１９８３），Ｌｏ ａｎｄ 张龙，湖北省，２７岁，男，２００４年毕业于北京大学数学

系，获理学硕士学位，现为天津财经大学统计系教师。研究方
ＭａｃＫｉｎｌｅｙ（１９９０）ａｎｄ Ｄｉｅｂｏｌｄ（２０００）等。在众多学 ’

向为统计理论与方法。
者当中，Ｈａｌｂｅｒｔ Ｌ．Ｗｈｉｔｅ教授成绩斐然。他在１９９９
蔡正高，安徽省。２６岁。男，２００５年毕业于安徽大学数学
年指出，经济计量分析中，数据探察可能会对结论造
系。获理学硕士学位，现为天津财经大学统计系教师。研究方
成的影响，他给出了如何校正造成错误的方法，并由
向为精算与风险管理。
此分析证券市场的技术交易法则的表现。２０００年，
他在｛Ｅｅｏｎｏｍｅｔｒｉｃａ｝上发表论文“Ａ Ｒｅａｌｉ哆Ｃｈｅｃｋ ｆｏｒ
（责任编辑：李峻浩）
Ｄａｔａ Ｓｎｏｏｐｉｎｇ”。该论文建立了如何校正数据探察错
误的理论基础。他所发展出来的检测方法现被称为

万方数据