统计百科 ·

多重比较校正的 APA 报告怎么写？Bonferroni/Holm/FDR 格式全解

统计百科：详解多重比较校正（Bonferroni、Holm、FDR/BH）在 APA 7th 格式论文中的报告规范——校正后 p 值怎么写、事后比较结果如何呈现、方法章节标准描述，附可直接套用的论文模板与审稿人常挑错误。

跑了 ANOVA、做了事后比较，统计软件给出了一堆 p 值和校正后 p 值——却不知道怎么写进论文？这篇文章专攻"多重比较校正结果如何规范报告"这一具体格式点，覆盖 Bonferroni、Holm、FDR（Benjamini-Hochberg）三种主流方法，给出可直接套用的 APA 7th 报告模板，并逐一盘点审稿人最常挑的格式错误。

你的多重比较报告有这些问题吗？

审稿人或导师关于多重比较报告最常见的反馈：

  • "事后比较用了什么方法？方法名必须在方法章节和结果章节都说明"
  • "Bonferroni 校正后 alpha 水平是多少，请说明"
  • "报告的是原始 p 值还是校正后 p 值？请统一并注明"
  • "使用了 FDR 控制，但没有说明具体是 Benjamini-Hochberg 还是 Benjamini-Yekutieli 方法"
  • "事后比较的均值差和置信区间是必须报告的，只写 p 值不够"
  • "Tukey HSD 和 Bonferroni 都跑了，结论是用哪个的？"

这些问题集中在 APA Publication Manual 第七版关于多重比较与推断统计报告的要求，但专门针对"多重比较校正"写法汇总的实操指南并不多。本文只讲一件事：多重比较校正结果到底怎么规范写进论文的每一种场景。

如果你还没看过姊妹篇 F 值的 APA 7th 报告写法，建议先读那篇，本文默认你已了解 F 值自由度格式与 p 值不加前导零（.032 而非 0.032）等基础格式规则，不再重复。

一、为什么需要多重比较校正

家族错误率（FWER）的问题

当你同时进行多个假设检验时，每次检验都有 alpha = .05 的假阳性概率。如果进行 k 次独立检验，整体犯至少一次第一类错误的概率为：

$FWER = 1 - (1 - \alpha)^k$

检验次数 k未校正 FWER
1.050
3.143
5.226
10.401
20.642

三组比较有 3 次配对（A-B、A-C、B-C），不校正时整体误判率已达 14.3%，这就是为什么多重比较必须校正。

FWER 控制 vs. FDR 控制

目标含义代表方法
FWER 控制至少犯一次错误的概率 <= alphaBonferroni、Holm、Scheffe、Tukey
FDR 控制所有拒绝中假阳性的比例期望值 <= qBenjamini-Hochberg（BH）、Benjamini-Yekutieli（BY）

FWER 控制更保守，适合探索性较少、错误代价高的场景（如临床试验、确认性研究）。
FDR 控制更宽松，适合同时检验大量假设（如基因组学、大规模调查多变量），在保留真实信号和控制误报之间取得平衡。

二、三种主流校正方法的原理与适用场景

Bonferroni 校正

原理：将每次比较的显著性水平除以比较次数 k，得到校正后的单次检验 alpha：

$\alpha_{Bonferroni} = \frac{\alpha}{k}$

3 次比较：alpha_adj = .05 / 3 = .017；每次 p 值须 < .017 才拒绝。

  • 优点：最简单，最保守，FWER 控制严格
  • 缺点：比较次数多时过于保守，检验效能（power）损失大
  • 适用：比较次数少（k <= 5~10），确认性研究，各比较等权重

Holm 逐步校正

原理：将 k 个 p 值从小到大排序（p(1) <= p(2) <= ... <= p(k)），逐步调整阈值：

$\alpha_{(i)} = \frac{\alpha}{k - i + 1}$

即最小 p 值与 alpha/k 比，第二小与 alpha/(k-1) 比，依此类推，遇到第一个不显著即停止。

  • 优点：与 Bonferroni 同样控制 FWER，但更有检验效能（统一比 Bonferroni 宽松）
  • 缺点：结果依赖 p 值排序，无法给出单一固定 alpha
  • 适用：比较次数中等，希望比 Bonferroni 保留更多真实显著结果

FDR（Benjamini-Hochberg）校正

原理：将 k 个 p 值从小到大排序，先计算每个排位的初始阈值，再从最大排序向最小做 step-down 累积最小值（cumulative minimum）以保证单调性，得到最终 adjusted p 值：

$p_{adj,(i)} = \min_{j \geq i}\left(p_{(j)} \times \frac{k}{j}\right)$

其中 $p_{(i)}$ 为排序后第 i 小的原始 p 值，k 为总比较次数。R 的 p.adjust(method="BH") 即按此公式实现。若 $p_{adj,(i)} \leq q$（FDR 水平，通常 q = .05），则拒绝该假设。

  • 优点：控制误报比例而非单次犯错概率，检验效能远高于 Bonferroni/Holm
  • 缺点：不控制 FWER，在探索性研究中可能包含更多假阳性
  • 适用：同时检验大量比较（k > 20）、探索性研究、多变量分析、基因组学

三、APA 7th 格式规范：多重比较报告必须包含的要素

必报要素清单

要素格式示例
整体 F 检验（先报）F(df1, df2) = X.XX, p [值]F(3, 196) = 23.78, p < .001
校正方法名称Bonferroni / Holm / Tukey HSD / BHBonferroni 校正
校正后 alpha 或 q 水平alpha_adj = .XXX 或 q = .05alpha_adj = .017
各组描述统计M = XX, SD = XX（每组）M = 82.6, SD = 7.5
均值差（成对比较）delta = X.XXdelta = 9.00
95% 置信区间95% CI [X.XX, X.XX]95% CI [4.23, 13.77]
校正后 p 值（p_adj）p_adj = .XXX 或 p_adj < .001p_adj = .003

注意：若使用 Tukey HSD（集成了多重比较校正的事后检验），不需要单独说明 alpha 调整；直接报告 Tukey 结果即可。Bonferroni 和 Holm 是手动/显式校正，必须说明 alpha_adj。

p 值格式要求

与所有 APA 统计报告相同：

  • 精确到三位小数，不加前导零：p_adj = .003（不写 p = 0.003）
  • 不写 p_adj = .000，改为 p_adj < .001
  • 若报告校正后 p 值（adjusted p），需在首次出现时注明"p_adj 为 Bonferroni 校正后 p 值"

四、各场景完整 APA 报告模板

场景一：单因素 ANOVA + Bonferroni 事后比较

情形：4 种干预方式（A/B/C/D），N = 200，因变量为焦虑得分（均值越低越好）。

完整报告段落模板：

单因素方差分析结果显示，[自变量]对[因变量]的主效应显著，
F([k-1], [N-k]) = X.XX, p [值], eta^2 = .XX（[大小]效应）。
采用 Bonferroni 校正的成对比较（alpha_adj = .05/[k*(k-1)/2] = [校正值]）显示，
[组1]（M = XX, SD = XX）的[因变量]显著[低于/高于][组2]
（M = XX, SD = XX），均值差 = X.XX（95% CI [XX, XX]），p_adj = .XXX；
[其他显著对比]。[不显著对比组合]之间的差异未达统计显著水平（p_adj > .05）。

填入数值的示例：

单因素方差分析结果显示，干预方式对焦虑得分的主效应显著，F(3, 196) = 18.42，p < .001，eta^2 = .220，为大效应（Cohen，1988）。Levene 方差齐性检验不显著，F(3, 196) = 1.23，p = .300，方差齐性假设成立。采用 Bonferroni 校正的成对比较（alpha_adj = .05/6 = .008）结果如下：干预 D（M = 32.4，SD = 8.1）的焦虑得分显著低于干预 A（M = 48.6，SD = 9.3），均值差 = -16.2（95% CI [-21.8，-10.6]），p_adj < .001；干预 C（M = 37.8，SD = 7.6）显著低于干预 A，均值差 = -10.8（95% CI [-15.9，-5.7]），p_adj < .001；干预 B（M = 43.2，SD = 8.8）与干预 A 的差异未达显著（均值差 = -5.4，p_adj = .142）。干预 C 与 D 之间的差异亦未达统计显著水平（p_adj = .320）。

场景二：单因素 ANOVA + Holm 逐步校正

情形：5 组比较，共 10 次配对，采用 Holm 方法。

完整报告段落模板：

事后成对比较采用 Holm 逐步校正方法（alpha = .05）以控制家族错误率。
[校正后最小 p 值的对比]差异显著：[组1]（M = XX, SD = XX）
显著[高于/低于][组2]（M = XX, SD = XX），均值差 = X.XX
（95% CI [XX, XX]），p_adj = .XXX；
其余配对的 Holm 校正后 p 值均 > .05，差异未达统计显著水平。

填入数值的示例：

事后成对比较采用 Holm 逐步校正方法（alpha = .05）以控制家族错误率（10 次比较）。按 p 值升序排列后，前三个比较在 Holm 校正后仍显著：组 E（M = 91.3，SD = 7.2）显著高于组 A（M = 74.6，SD = 8.5），均值差 = 16.7（95% CI [11.4，22.0]），p_adj = .002；组 D（M = 87.4，SD = 6.9）显著高于组 A，均值差 = 12.8（95% CI [7.8，17.8]），p_adj = .006；组 E 显著高于组 B（M = 78.2，SD = 7.8），均值差 = 13.1（95% CI [8.1，18.1]），p_adj = .014。其余七次配对的 Holm 校正后 p 值均 >= .05，差异未达统计显著水平。

场景三：多变量比较 + FDR（Benjamini-Hochberg）校正

情形：同时检验 15 个组间差异，使用 BH-FDR 控制 q = .05。

完整报告段落模板：

为控制多重检验中的错误发现率，所有 [k] 次比较均采用
Benjamini-Hochberg 方法（Benjamini & Hochberg, 1995）进行 FDR 校正（q = .05）。
BH 校正后共有 [m] 次比较达到显著水平（adjusted p < .05）：
[比较1]（均值差 = X.XX，95% CI [XX, XX]，p_adj = .XXX）；
[比较2]（均值差 = X.XX，95% CI [XX, XX]，p_adj = .XXX）；
其余 [k-m] 次比较在 BH 校正后未达显著。

填入数值的示例：

为控制多重检验中的错误发现率，所有 15 次组间比较均采用 Benjamini-Hochberg 方法（Benjamini & Hochberg, 1995）进行 FDR 校正（q = .05）。BH 校正后共有 6 次比较达到显著水平（p_adj < .05）：自主学习组与传统讲授组（均值差 = 18.4，95% CI [13.1，23.7]，p_adj = .003）、协作学习组与传统讲授组（均值差 = 14.2，95% CI [9.0，19.4]，p_adj = .006）差异最为突出；其余 9 次比较的 BH 校正后 p 值在 .087 至 .624 之间，均未达统计显著水平（p_adj > .05）。

场景四：双因素 ANOVA 中交互效应后的简单效应比较

情形：交互效应显著，分组做简单效应分析并 Bonferroni 校正。

完整报告段落模板：

鉴于 [因素A] × [因素B] 交互效应显著，进一步对各 [因素A] 水平分别检验 [因素B]
的简单效应，并以 Bonferroni 方法校正多重比较（alpha_adj = .05/[比较次数]）。
在 [因素A 水平1] 条件下，[因素B] 的简单效应显著，
F([df1], [df2]) = X.XX, p [值], partial eta^2 = .XX；
[细节比较]（M = XX, SD = XX vs. M = XX, SD = XX），p_adj = .XXX。
在 [因素A 水平2] 条件下，[因素B] 的简单效应不显著，
F([df1], [df2]) = X.XX, p = [值]。

填入数值的示例：

鉴于教学方式 × 性别交互效应显著，F(3, 192) = 3.32，p = .021，partial eta^2 = .049，进一步对男女生分别检验教学方式的简单效应，并以 Bonferroni 方法校正四次成对比较（alpha_adj = .013）。在男生群体中，教学方式的简单效应显著，F(3, 96) = 22.14，p < .001，partial eta^2 = .409；项目式教学（M = 92.1，SD = 7.3）显著优于传统讲授（M = 73.8，SD = 9.1），均值差 = 18.3（95% CI [12.4，24.2]），p_adj < .001。在女生群体中，教学方式的简单效应亦显著但效应量较小，F(3, 96) = 8.76，p < .001，partial eta^2 = .215；最优（项目式，M = 86.4，SD = 7.8）与最差（传统讲授，M = 79.2，SD = 8.6）条件均值差 = 7.2（95% CI [2.8，11.6]），p_adj = .004。

五、在 ChatSRS 一句话获得规范多重比较报告

打开 chatsrs.com，上传数据后输入：

"对 4 组干预方式的焦虑得分做单因素 ANOVA，先做 Levene 方差齐性检验；整体 F 检验显著后，用 Bonferroni 校正做所有成对事后比较，报告 alpha_adj；输出每组 M 和 SD、各显著配对的均值差和 95% CI、校正后 p 值，并给出符合 APA 7th 格式的完整报告段落。"

如需 Holm 或 FDR 校正，在指令中说明方法名即可，例如：

"事后比较改用 Holm 逐步校正，同时输出原始 p 值和校正后 p 值对照表，以及 APA 格式报告段落。"

"使用 Benjamini-Hochberg FDR 校正（q = .05），输出所有比较的 raw p、BH adjusted p 和是否显著标记，并写出 APA 格式方法章节描述。"

ChatSRS 同时集成 R 语言（multcomp、emmeans 包）、SPSS 和 Stata 三套引擎，校正方法覆盖 Bonferroni、Holm、BH-FDR、BY-FDR、Scheffe、Tukey HSD、Games-Howell，输出段落即为上文示例格式，数值自动填入，可直接复制进论文。

六、方法章节怎么说明多重比较校正

Bonferroni 校正的标准方法章节描述

当整体方差分析 F 检验达显著水平（alpha = .05）时，
采用 Bonferroni 方法对所有 [k*(k-1)/2] 次成对比较进行多重比较校正
（校正后显著性水平 alpha_adj = .05/[k*(k-1)/2] = [值]）以控制家族错误率。
事后比较报告均值差、95% 置信区间和 Bonferroni 校正后 p 值（p_adj）。

Holm 逐步校正的标准方法章节描述

事后多重比较采用 Holm（1979）逐步校正方法（alpha = .05），
该方法在严格控制家族错误率的同时，比 Bonferroni 方法具有更高的统计检验效能。
比较结果报告 Holm 校正后 p 值（p_adj）。

FDR（BH）校正的标准方法章节描述

为同时检验 [k] 次组间比较，采用 Benjamini-Hochberg 方法
（Benjamini & Hochberg, 1995）对错误发现率进行控制（q = .05），
该方法将所有拒绝假设中的假阳性比例的期望值控制在 5% 以内。
结果报告原始 p 值及 BH 校正后 p 值（p_adj），以 p_adj < .05 为显著标准。

七、多重比较校正常见错误对照表

常见错误正确写法违反的规则
只写"进行了事后比较"不说方法明确说明 Tukey HSD / Bonferroni / BH 等APA 要求方法透明
使用 Bonferroni 但未报告 alpha_adj注明 alpha_adj = .05/k = .XXX读者无法验证
报告原始 p 值假装是校正后 p 值明确标注 p_adj 或 p_uncorrected误导读者
均值差只写正负，不报置信区间均值差 = X.XX（95% CI [XX，XX]）APA 7th 要求 CI
FDR 只写"进行了 FDR 校正"写明是 BH 还是 BY 方法，注明 q 水平可重复性要求
大量比较用 Bonferroni（过于保守）大量比较推荐 BH-FDR 或 Holm效能损失过大
事后比较未先报整体 F 检验先报 F 显著，再报事后比较逻辑顺序要求
p_adj = .000p_adj < .001.000 是舍入假值

常见 FAQ

Q：Tukey HSD 算多重比较校正吗？要单独说 alpha_adj 吗？

A：Tukey HSD（Honestly Significant Difference）本身已经内置了对多重比较的控制——它基于 studentized range 分布，自动将比较次数纳入了计算，相当于一种"集成"的多重比较校正方法。因此，使用 Tukey HSD 时不需要单独报告 alpha_adj，只需在方法章节和结果章节都说明"采用 Tukey HSD 进行事后多重比较"，并报告各配对的均值差、置信区间和 p 值即可。Bonferroni 和 Holm 是"事后手动校正"，需要明确说明 alpha_adj；Tukey 是"设计内校正"，直接报告结果。

Q：方差不齐时事后比较用什么方法，怎么写进 APA？

A：方差不齐时（Levene 检验显著，p < .05），应改用 Welch ANOVA（整体检验）+ Games-Howell 事后比较。Games-Howell 不假设方差齐性，基于 Welch 近似 t 检验原理。APA 报告写法：

由于 Levene 方差齐性检验显著（p < .05），采用 Welch ANOVA 进行整体检验，Welch F(3, 102.34) = 18.63，p < .001，omega^2 = .198；事后多重比较采用 Games-Howell 方法，各配对均值差与 95% CI 详见正文。

Q：FDR 校正后的 p_adj 可以大于 1 吗？

A：理论上不会，但数值上 BH 公式中 p(i) * k/i 在某些 p 值较大的比较中可能超过 1，实际统计软件（R 的 p.adjust 函数等）会将这些值截断为 1。在报告时，p_adj = 1.000 直接写 p_adj > .999 即可。这表明该比较在 FDR 控制下完全不显著。

Q：Bonferroni 校正和 FDR 校正可以同一篇论文里混用吗？

A：可以，但需要在方法章节说明不同分析使用不同方法的理由。例如：主要研究假设（少量确认性比较）使用 Bonferroni 以严格控制 FWER；探索性附加分析（大量比较）使用 BH-FDR。混用的前提是逻辑一致，每个分析都清楚注明使用的方法，不能同一批比较同时用两种校正然后挑显著的报告。

快速参考：多重比较校正报告速查卡

[Bonferroni 校正 — k 次比较]
alpha_adj = .05 / k
整体 F: F(df1, df2) = X.XX, p [值], eta^2 = .XX
事后 Bonferroni: 均值差 = X.XX (95% CI [XX, XX]), p_adj = .XXX
方法句: "采用 Bonferroni 校正的成对比较（alpha_adj = .XXX）"

[Holm 逐步校正]
p 值排序后逐步比较，无固定 alpha_adj
整体 F: F(df1, df2) = X.XX, p [值]
事后 Holm: 均值差 = X.XX (95% CI [XX, XX]), p_adj = .XXX
方法句: "事后多重比较采用 Holm（1979）逐步校正方法（alpha = .05）"

[BH-FDR 校正 — k 次比较]
q 水平通常设 .05
方法句: "采用 Benjamini-Hochberg 方法（q = .05）控制错误发现率"
结果句: "BH 校正后共 m 次比较显著（p_adj < .05），其余 k-m 次 p_adj > .05"

[Tukey HSD — 不需要单独报 alpha_adj]
方法句: "采用 Tukey HSD 进行事后多重比较"
结果句: 各配对均值差 + 95% CI + Tukey 校正后 p 值

[Games-Howell — 方差不齐时]
先报: "Levene F(k-1, N-k) = X.XX, p < .05，方差齐性假设不成立，
        采用 Welch ANOVA + Games-Howell 事后比较"
结果: 均值差 + 95% CI + Games-Howell p 值

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。