Benjamini-Hochberg依赖性假设是否成立？

我有一个数据集，用于测试三个总体之间在大约50个不同变量方面的显着差异。一方面，我使用Kruskal-Wallis检验，另一方面，通过嵌套GLM模型拟合的似然比检验（具有和不具有总体作为自变量）进行此操作。

结果，一方面，我列出了Kruskal-Wallis，另一方面，我认为是LRT比较中的卡方p值。$p$$p$

我需要做某种形式的多重测试校正，因为有50多种不同的测试，Benjamini-Hochberg FDR似乎是最明智的选择。

但是，变量可能不是独立的，它们中的几个“氏族”是相关的。然后的问题是：我如何确定我的p值的基础统计信息集是否$p$满足Benjamini-Hochberg过程仍然要绑定到FDR所需的正相关性要求？

2001年的Benjamini-Hochberg-Yekutieli论文指出，PRDS条件适用于多元正态分布和学生分布。对于模型比较，我的似然比检验卡方值怎么样？对于Kruskal-Wallis检验，我的$p$如何？

我可以使用Benjamini-Hochberg-Yekutieli最坏情况的FDR校正，该校正在假设依赖项时不做任何假设，但我认为在这种情况下，它可能过于保守，并且会丢失一些相关信号。

BH程序的有效性取决于假设检验是否为正相关。如果您阅读了他们的2001年论文，您会发现并不一定要采用多元正态，他们在论文中给出了较弱的条件：

罗森鲍姆（1984）的条件（正）的关联，就足以PRDS暗示：有条件地相关联，如果因为任何分区$X$$(X1,$ $X2)$ 的 $X$，以及任何功能 $h(X1), X2$ 给定 $h(X1)$ 是正相关的。

如果这些似乎是对您的数据做出的合理假设，则只需将其声明为假设，然后尝试提出满足条件和不满足条件的情况，以向您自己阐明。

PRDS是BH控制FDR的充​​分但非必要条件。我建议您使用它，并且也将Benjamini-Yekutieli过程用于一般依赖性。如果推断的差异很大，请尝试证明BH使用基于排列或重采样的技术在您的特定设置中控制FDR，以节省依赖结构。