下方法

下方法 (Step-down Method)

下方法 (Step-down Method)，亦称逐步下降法或向下检验法，是多重假设检验中用于控制族系错误率 (Family-Wise Error Rate, FWER) 或错误发现率 (False Discovery Rate, FDR) 的一类顺序检验程序。其核心思想是将所有原假设按其对应的p值从小到大排序，从最小的 p 值开始依次检验，一旦遇到无法拒绝的假设即停止检验程序，所有后续假设均不被拒绝。与上方法（Step-up Method）相比，下方法的拒绝域是向下累积的，即每拒绝一个假设才继续向下检验下一个，这使得下方法在控制 FWER 时通常具有更高的统计功效，能够在严格控族的条件下发现更多真实存在的差异。

基本原理与操作步骤

下方法的基本操作流程可以系统地描述如下。设有 $m$ 个假设 $H_{01}, H_{02}, \dots, H_{0m}$，对应的 p 值为 $p_1, p_2, \dots, p_m$。首先将 p 值按升序排列为 $p_{(1)} \le p_{(2)} \le \dots \le p_{(m)}$，相应的原假设记为 $H_{0(1)}, H_{0(2)}, \dots, H_{0(m)}$。然后从 $i = 1$ 开始，依次比较 $p_{(i)}$ 与经过多重比较调整后的临界值 $\alpha_i$。若 $p_{(1)} \le \alpha_1$，则拒绝 $H_{0(1)}$，并继续检验下一个 $p_{(2)}$；否则停止整个检验程序，接受所有剩余的假设。一般地，若对 $j = 1, \dots, i-1$ 均有 $p_{(j)} \le \alpha_j$，且 $p_{(i)} > \alpha_i$，则在第 $i$ 步停止，接受 $H_{0(i)}, H_{0(i+1)}, \dots, H_{0(m)}$。这一"一旦停止就不再继续向下检验"的序贯特性，使得下方法天然地具有控制多重比较错误率的理论优势，因为每一步的决策都依赖于前一步的结果，形成了一个完整的序贯决策链。

经典下方法：Holm 方法

Holm-Bonferroni方法 (Holm, 1979) 是最著名且应用最广的下方法，也是现代多重比较理论的基石之一。它在每一步采用 Bonferroni 调整后的临界值 $\alpha_i = \alpha/(m - i + 1)$，其中 $\alpha$ 为预设的显著性水平（通常取 0.05）。与传统的 Bonferroni 校正（对所有假设统一使用 $\alpha/m$ 作为临界值）相比，Holm 方法在每一步的临界值逐步放宽——第一步使用 $\alpha/m$，第二步使用 $\alpha/(m-1)$，第三步使用 $\alpha/(m-2)$，依此类推，最后一步直接使用 $\alpha$。这意味着越到后面的步骤，拒绝条件越宽松。这使得 Holm 方法在不牺牲 FWER 严格控制的前提下大幅提高了检验效能——它能够在保证至少犯一次第一类错误的概率不超过 $\alpha$ 的同时，比 Bonferroni 校正拒绝更多的假设。更重要的是，Holm 方法对假设之间的依赖结构不作任何要求，无论 p 值之间是否独立、正相关还是负相关，都能严格将 FWER 控制在 $\alpha$ 以内。这一卓越的稳健性使其成为实证研究中多假设检验场景的首选工具之一。Holm 方法也是 R、Python、Stata 等主流统计软件中多重比较校正的标准实现选项。

下方法的变体与拓展

除经典的 Holm 方法外，下方法家族还包括多种重要的变体和拓展。Sidak-Holm 方法采用 Sidak 不等式构造临界值 $\alpha_i = 1 - (1-\alpha)^{1/(m-i+1)}$，其临界值略大于 Holm 方法（因 $1-(1-\alpha)^{1/k} > \alpha/k$ 对任意 $k \ge 1$ 成立），因此在检验统计量独立或正相关的假设下具有更高的检验功效，但该方法要求 p 值之间满足独立或特定的相关性结构，适用范围比 Holm 方法窄。Hochberg方法 (Hochberg, 1988) 虽然从最大的 p 值开始向上检验、在分类上属于上方法，但在满足特定单调性条件时可以纳入下方法的理论框架进行理解。在错误发现率 (FDR) 控制领域，Benjamini-Liu 下方法 (Benjamini \& Liu, 1999) 是 Benjamini-Hochberg 上方法的下方法对应物，虽然比 BH 程序更为保守，但在检验统计量呈现负相关结构的特殊场景下具有独特的稳健性优势，是 FDR 控制工具箱中的重要补充。

下方法与上方法的比较

下方法与上方法（Step-up Method）的核心区别在于检验方向的不同。下方法从小 p 值出发向下检验，首先关注最显著的那些假设；上方法从大 p 值出发向上检验，首先排除最不显著的假设。在 FWER 控制方面，下方法（如 Holm）是保守稳健的——它在任何数据结构下都能严格控族，无需对 p 值的依赖结构施加额外假设；而上方法（如 Hochberg）需要满足正回归依赖条件才能保证 FWER 控制，适用范围相对受限。然而在 FDR 控制领域，情况正好相反：Benjamini-Hochberg 上方法在独立或正相关条件下是最优的（即能发现最多显著的假设），而相应的下方法（Benjamini-Liu 程序）则更为保守。研究者应当根据具体的数据特征和错误控制目标，在下方法与上方法之间做出合理选择。

应用领域与实证意义

下方法在生物统计学、基因组学、计量经济学和临床试验等多个领域有广泛应用。在多元回归的变量筛选中，下方法可用于逐步剔除不显著的解释变量，在保证整体显著性水平的条件下筛选出真正重要的预测因子。在组学数据分析中，下方法常用于筛选成千上万个基因或蛋白质中具有显著差异表达的生物标志物，是转录组学和蛋白质组学数据分析的标准工具。在临床试验中，下方法用于多重终点的逐层检验，确保在多个疗效指标间控制整体的第一类错误率。现代文献还将下方法拓展至复杂依赖结构下的 FWER 控制场景，例如结合随机排列法和bootstrap方法的下方法程序，能够在保留严格控族性质的同时进一步提升检验功效，适用于高维数据的多重比较问题。

总结

下方法是一类从最显著假设开始依次向下检验的多重比较程序，以 Holm 方法为典型代表，在严格控族的条件下最大化统计发现能力。与上方法相比，其控制性质更为稳健，不依赖于 p 值之间的独立性假设，因而在实证研究中具有广泛适用性。从 FWER 控制的 Holm 方法到 FDR 控制的 Benjamini-Liu 程序，下方法家族为不同场景下的多重比较问题提供了灵活而可靠的工具。理解下方法的原理、优势和局限性，是正确处理大规模假设检验问题的基础。