Bonferroni 适用于任何 p 值。它不关心他们来自哪里。

嗯... Bonferroni 先生指出，他的校正适用于任何 p 值，无论其来源如何。但是，还有其他程序，例如Holm's，它们的功能更强大。受到某些其他限制，例如测试之间的正依赖关系，其他方法仍然更强大。对不起，卡洛。

这些更正旨在保持全族错误率，这实质上意味着您希望将在“系列”测试中犯一个或多个错误的概率保持在您接受单个测试的相同水平。要智能地执行此操作，您需要适当地定义族。根据您的描述，听起来您至少有两个测试系列：第一个由情绪数据组成，第二个由自我报告量表组成。例如，您可能正在测试某些操作是否会导致治疗组中的受试者（相对于适当的对照组）1）经历情绪变化和 2）意识到所述变化。

因此，我会考虑调整第一组$n=6$后者与$n=4$. 由于自我报告值之一是整体量表，您可能会争辩说它也“保护”了三个子分数，所以也许我会考虑报告整体分数（未更正）和三个子分数更正$n=3$，尤其是在整体测试显着的情况下。如果李克特（或自我报告）量表都试图测量相同的东西，我会很想先应用综合测试（例如，ANOVA），这可能会给你更多的力量。

但是，我认为将多重比较应用于两组数据（使用$n=10$过于保守），除非这些测试密切相关。

如果你想纠正，那么有比以 Bonferroni 命名的方法更强大的方法，比如 Holm 的方法，当 Bonferroni 强大并且永远不会减弱时，它总是适用的。但是，如果您有一个精确的假设将实现某种任意水平的统计显着性，那真的是您想要做的吗？