Heutzutage handelt es sich bei den meisten klinischen Fragestellungen um multiple Testprobleme, d.h. es sollen gleichzeitig mehrere Hypothesen getestet werden.
Würde man jeden der interessierenden Vergleiche auf dem Niveau α testen, muss man mit vielen irrtümlich abgelehnten Hypothesen rechnen. Um die Anzahl V der irrtümlich abgelehnten Hypothesen (d.h. Fehler 1. Art) zu beschränken, existieren viele verschiedene Fehlerkriterien. Das älteste und bekannteste Fehlerkriterium ist die family-wise error rate (FWE). Dabei wird gefordert, dass kein Fehler 1. Art zugelassen wird, d.h. P(V > 0) <= α. Allerdings erscheint diese Forderung gerade bei hochdimensionalen Problemen, wie beispielsweise Genexpressions-, fMRT- oder EEG-Daten, als zu streng. Aus diesem Grunde findet die false discovery rate (FDR) immer größere Beachtung. Hierbei wird das erwartete Verhältnis aus Anzahl der irrtümlich abgelehnten Hypothesen zu den insgesamt abgelehnten Hypothesen kontrolliert, d.h. FDR = E(V/R | R > 0) P(R > 0)<= α , wobei mit R die Anzahl der insgesamt abgelehnten Hypothesen bezeichnet wird. Der Hauptkritikpunkt an der FDR ist, dass es sich hierbei um einen Erwartungswert handelt und deshalb die FDR im Einzelfall nicht eingehalten werden muss. Es gibt aber durchaus Alternativen zur FWE und FDR.
Dies ist zum einen die generalized family-wise error rate (gFWE) und zum anderen die false discovery proportion (FDP). Beide Kriterien können als Erweiterung der FWE aufgefasst werden. Bei der gFWE wird P(V > u) <= α mit u >= 0 gefordert und bei der FDP P(V/R > γ)<= α für ein γ (0 <= γ < 1).
Im Vortrag werden diese vier Fehlerkriterien vorgestellt und verglichen. Des Weiteren werden für jedes Fehlerkriterium entsprechende Testverfahren präsentiert.