大数据时代,随着技术手段不断进步,海量数据不断涌现。分子生物信息学领域的微阵列数据,网络购物的用户行为和交易数据,信息化金融市场的交易数据等等,这些庞大的高维数据给传统分析的低维数据数据分析方法提出了挑战,也推动了多重假设检验理论的应用和发展。随着生活水平的提高,人类寿命不断延长,癌症已经成为危害人类健康的头号敌人。而多数癌症患者早期大多性状不明显,且同一类癌症往往性状表现也不尽相同,如何从分子水平了解癌症的致病机理,以便于早期的诊断和指定个体化治疗方案,医学界对此进行了很多研究,其中基因拷贝数异常随着基因工程技术手段不断发展而成为重要的研究方向之一。本文从乳腺癌基因拷贝数异常在分子水平上的致病机理这一问题入手,通过国内外有关于各类癌症患者组织样本中基因拷贝数异常的相关研究,以期在多元线性回归响应变量选择的情形下,研究受到基因拷贝数异常显著影响的乳腺癌基因表达类型。首先本文介绍了国内外关于癌症临床病例的研究,揭示了基因拷贝数异常与控制癌症产生、发展以及转移的基因表达水平存在显著性的相关关系,确立了研究课题具有实际意义。接着介绍多重假设检验领域控制错误概率测度的几种经典方法,主要为控制假阳性错误率FDR的方法,以及新近提出的响应变量选择的RBS方法,对比了q-value方法和RBS方法在乳腺癌数据集的分析中的效果。同时为了拓展RBS方法的适用情形,本文将适用于多元回归模型的主成分分析,基于距离相关性的筛选,基于projection correlation的筛选方法进行结合,结论总结有:1)RBS相较于q-value方法可以更有效地筛选受到基因拷贝数异常显著影响的基因表达类型。2)基于projection correlation进行多元回归模型预测变量降维的方法更适合与RBS方法进行结合;3)本次研究的方法可以为乳腺癌的早期诊断以及临床个性化治疗方案的制定提供丰富和可靠的研究支撑,具有一定的实际意义。同时在最后一章,也对于后续进一步的研究方向进行了总结。