今天和老板讨论，又学到了如何正确地展示统计的表格，主要分为两种：
1）正态分布的数据
对于正态分布的数据，数据的展示形式应为mean±std，如下表格所示
(引自Google图片)
对于此类数据，分析两组间差异，应选用参数统计，如
t-test。多组间差异，选择方差分析，R中为aov函数进行检验多组之间的均值是否有差异；如有差异，再使用pairwise.t.test()进行两两比较，进行多重t检验，这时需要对多重检验的p值进行校正，设置参数p.adjust.method="fdr"。2) 非正态分布数据
对于非正态分布数据，展示形式应为
median (IQR)，如下表格所示
引自：Exposure to household furry pets influences the gut microbiota of infants at 3-4 months following various birth scenarios
对于此类数据，分析两组间差异，应选用非参统计方法，如
Mann-Whitney，多组间比较应选用Kruskal-Wallis test。同时，使用Kruskal-Wallis test之后，可配套使用Dunn Test检验去进行两组间的pairwise比较，Dunn Test检验也可进行fdr矫正。
那么，什么时候应该进行fdr矫正呢？
1、当一组数据进行了多次统计学检验，得到了多个p-value；
2、多组相关的数据进行了统计学检验，得到了多个p-value；
当多组无关的数据进行了统计学检验，得到了多个p-value，此时无需进行p-value矫正。矫正方法较大，一般选择fdr，这种方法比较温和。
一般p值矫正后，会将p-value控制在p.adjust<=1，但是我也遇到STAMP软件的p.adjust大于1，问了developer，这是计算方法不同而已，并没有限制当p.adjust>1时，将p.adjust全部赋值为1，这也是为什么很多软件算出来的q-value会有很多1。
不过现在也有很多呼声，forget the p-value，至于是否真的需要矫正，是否真的需要将p-value的阈值设为0.05，我认为只要你的故事讲得好，即使不显著，也可以适当放宽。如果严格按照p.adjust<0.05，没有得到任何significant的指标，那不是实验就白做了？
（如有问题，请指正交流，真理越辨越明）
