现代统计学家通常会同时面临数百或数千个假设测试问题，这些问题是由新的科学技术产生的，如微阵列、医疗和卫星成像设备或流式细胞仪计数器。相关统计文献倾向于从一个默认的假设开始，即单一的组合分析，例如错误发现率评估，应该应用于手头的整个问题集。正如本文中的示例所示，这可能是一个危险的假设，导致在任何特定的子类案例中得出过于保守或过于自由的结论。简单的贝叶斯理论简洁地描述了分离或组合对错误发现率分析的影响。该理论允许在小的子类中进行有效的测试，并应用于“浓缩”，即检测多案例效应。