众所周知，如果我们进行多次测试或多重比较，我们不会使用相同的值，而是使用一些像 Bonferroni 这样这样做是因为当我们进行多次测试时，与进行较少数量的测试相比，我们有更高的机会获得同样重要的东西。
但我的主要问题是：
1）据说如果您使用方差分析比较多个样本均值，并且一旦发现存在一些显着差异，那么您可以通过成对比较进行事后分析。但现在您不必实际进行 Bonferroni 校正。这是为什么？这种事后分析与我们使用 Bonferroni 校正的其他成对 t 检验不同吗？
2）如果需要 Bonferroni 校正是因为更多的测试会导致更多的机会获得重要的东西，那么为什么我们不使用相同的东西，我们正在做回归之类的事情，我们正在测试估计的显着性，或者变量是否使用 p 值/F 分数进行特征选择是否重要？在这种情况下，我们也在进行多重比较以检查每个变量是否显着。那我们为什么不在临界上使用 Bonferroni 校正呢？
请指教。
前言：有很多不同的被调整为多重比较。Olive Dunn 在 1961 年提出了 Bonferroni 调整，多重比较文献（例如，参见 Shaffer, 1995）已经发展为各种家庭式错误率调整方法（其中 Bonferroni 是最简单的），最近的错误发现率调整方法。此外，可以进行调整以, 或者数学可能被反转，而是应用于调整p值（有时调整后的p值称为q值）——我自己的偏好是调整，因为对p的调整可能需要在 1.0 处进行笨拙的上截断，以将可解释性保留为概率。无论您选择哪种方法，以及是否将调整应用于或p值。
在拒绝单向方差分析后，您可以将 Bonferroni 应用于事后多重比较。事实上，这是何时应用 Bonferroni 调整的典型示例。这些成对检验与一堆标准 t 检验并不完全相同，因为在拒绝 ANOVA 后，t 检验统计量是使用 ANOVA 的原假设中隐含的汇总方差计算的，而不是比较两个特定组的方差单个检验统计量。
你是对的：在进行许多统计检验时，我们会使用多重比较调整，例如 t 检验多元回归中的估计，或 N-way ANOVA 的特征选择。
参考资料
Dunn, OJ (1961)。均值之间的多重比较。美国统计协会杂志，56（293）：52-64。
谢弗，JP (1995)。多重假设检验。心理学年度回顾，四十六：561—584。