执行配对检验和生存趋势检验
我正在尝试进行成对测试，以确定成对组之间的生存率是否存在差异。
\n\n使用的数据：
\n\n
time_Untreated<- c(20, 21, 23, 24, 24, 26, 26, 27, 28, 30)\ncensor_Untreated<- c(rep(1,10), rep(0,0))\ncensor_Untreated\n\ntime_Radiated<- c(26,28, 29, 29, 30, 30, 31, 31, 32, 35)\ncensor_Radiated<- c(rep(1,9), rep(0,1))\ncensor_Radiated\n\ntime_Radiated_BPA <- c(31, 32, 34, 35, 36, 38, 38, 39, 42, 42)\ncensor_Radiated_BPA <- c(rep(1,8), rep(0,2))\ncensor_Radiated_BPA\n\nmyData <- data.frame(time=c(time_Untreated, time_Radiated, time_Radiated_BPA),\n status=c(censor_Untreated, censor_Radiated, censor_Radiated_BPA),\n group= rep(1:3, each=10))\n\nlibrary(KMsurv)\nlibrary(survival)\n我尝试使用该功能：pairwise_survdiff但无法在其上构建代码。
另外，我想进行趋势测试，以测试这个有序的假设（未经治疗的动物的生存率最差，接受辐射的老鼠的生存率略有提高，接受辐射的老鼠+BPA应该有最好的生存率。）
\n\n这是我对输出所做的处理，但我不确定卡方值和 p 值是哪个：
\n这正确吗？
KM.fit<-survfit(Surv(time,status)~group, conf.type="none", data=myData)\nKM.fit\n\nCall: survfit(formula = Surv(time, status) ~ group, data = myData, conf.type = "none") \n\n n events median\ngroup=1 10 10 25\ngroup=2 10 9 30\ngroup=3 10 8 37\n\nmyData.fit<-ten(Surv(time,status)~group, data=myData)\ncomp(myData.fit, p=0, q=0,scores =c(1,2,3))\n chiSq df pChisq \n1 33.380 2 5.6436e-08 ***\nn 30.255 2 2.6925e-07 ***\nsqrtN 32.037 2 1.1046e-07 ***\nS1 29.657 2 3.6307e-07 ***\nS2 29.496 2 3.9349e-07 ***\nFH_p=0_q=0 33.380 2 5.6436e-08 ***\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1\n$tft\n Q Var Z pNorm \n1 16.0869 8.6116 5.4819 4.2081e-08 ***\nn 364.0000 4741.0509 5.2864 1.2471e-07 ***\nsqrtN 76.0224 196.2111 5.4272 5.7230e-08 ***\nS1 11.1539 4.5558 5.2257 1.7351e-07 ***\nS2 10.6871 4.2060 5.2110 1.8779e-07 ***\nFH_p=0_q=0 16.0869 8.6116 5.4819 4.2081e-08 ***\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1\n\n$scores\n[1] 1 2 3\n请记住在发布问题时指定所有必需的包。您省略了survminer软件包，这是使用pairwise_survdiff软件包。
library(survminer)\n以下代码适用于您的数据集 myData，因此我不确定您尝试过什么代码。
\n\npairwise_survdiff(Surv(time,status)~group, data=myData)\n\n\n
Pairwise comparisons using Log-Rank test \n\ndata: myData and group \n\n 1 2 \n2 0.0011 - \n3 9.7e-06 0.0014\n\nP value adjustment method: BH # Bonferroni-Holm method of adjustment (default)\n\n\n
因此，所有三组的生存率都有显着差异。
\n\n组变量应该转换为一个因子，不仅仅是为了生存曲线上的标记目的，而且许多建模函数会假设变量是连续的，否则，这显然不是这种情况。
\n\nmyData$group <- factor(myData$group, labels=c("Untreated","Radiated","Rad+BPA"))\n\nKM.fit <- survfit(Surv(time,status)~group, data=myData)\n\nggsurvplot(KM.fit, data=myData,\n\n # Add median survival times (horizontal and vertical)\n surv.median.line = "hv", \n\n # Legend placement, title, and labels\n legend = c(0.25, 0.75),\n legend.title = "Treatment Group",\n legend.labs = c("Untreated","Radiated","Rad+BPA"),\n # Add p-value and 95% confidence intervals\n pval = TRUE,\n conf.int = TRUE,\n\n # Add risk table\n risk.table = TRUE,\n tables.theme = theme_cleantable(),\n\n # Color palette\n palette = c("green4", "orange", "red"),\n ggtheme = theme_bw()\n)\n
\n\n
myData.fit <- ten(Surv(time,status)~group, data=myData)\ncomp(myData.fit, p=0, q=0, scores=1:3) # Scores 1, 2, 3 will be the default \n\n chiSq df pChisq \n1 33.380 2 5.6436e-08 *** # log-rank test\nn 30.255 2 2.6925e-07 *** # Gehan-Breslow generalized Wilcoxon\nsqrtN 32.037 2 1.1046e-07 *** # Tarone-Ware\nS1 29.657 2 3.6307e-07 *** # Peto-Peto\xe2\x80\x99s modified survival estimate\nS2 29.496 2 3.9349e-07 *** # modified Peto-Peto (by Andersen)\nFH_p=0_q=0 33.380 2 5.6436e-08 *** # Fleming-Harrington\n卡方值和 p 值是哪个？他们都是！该功能为您提供了六个可供选择。在这里，它们都很重要。有关更多详细信息，请参阅包文档。
\n\n该$tst部分（未显示）给出了趋势测试的结果。所有趋势比较和测试表明，三组大鼠的存活率存在统计学上的显着差异。未经治疗的大鼠的存活率最差（中位数 = 25 天），其次是受辐射大鼠（中位数 = 30 天）和受辐射 + BPA（中位数 = 37 天）。
\n