====================================== 这篇博客的目的主要是计算当需要计算多个不同组之间的成对比较，并计算P值。
主要使用的函数是：pairwise_survdiff（formula，data，p.adjust.method =“BH”，na.action，rho = 0）
- 参数formula:类似其他生存模型的公式表达式，形式为Surv（time，status）〜variable。
- 参数data：一个数据框，用于做生存分析的数据。
- 参数p.adjust.method：p值矫正方法（参见p.adjust）。 允许的参数包含（“holm”，“hochberg”，“hommel”，“bonferroni”，“BH”，“BY”，“fdr”，“none”）。 如果不想对p值矫正（不推荐），请使用p.adjust.method =“none”。
- 参数na.action：缺失数据过滤功能。
- 参数RHO参数：用于控制测试类型。 允许值包括0（Log-Rank检验）和1（peto和peto检验）。 值
- 函数计算返回对象是包含p值的列表。
> library(survival)
> library(survminer)
> data(myeloma)
>
> # Pairwise survdiff
> res <- pairwise_survdiff(Surv(time, event) ~ molecular_group,
data = myeloma)
> res查看输出结果
代码语言：javascript复制 Pairwise comparisons using Log-Rank test
data: myeloma and molecular_group
Cyclin D-1 Cyclin D-2 Hyperdiploid Low bone disease MAF MMSET
Cyclin D-2 0.723 - - - - -
Hyperdiploid 0.943 0.723 - - - -
Low bone disease 0.723 0.988 0.644 - - -
MAF 0.644 0.447 0.523 0.485 - -
MMSET 0.328 0.103 0.103 0.103 0.723 -
Proliferation 0.103 0.038 0.038 0.062 0.485 0.527
P value adjustment method: BH 通过这个矩阵我们可以看到molecular_group 水平上两两之间的生存分析对比的P值。 下一步我们可以将数字转化成符号，代表我们不同的P值水平。
代码语言：javascript复制> symnum(res$p.value, cutpoints = c(0, 0.0001, 0.001, 0.01, 0.05, 0.1, 1),
symbols = c("****", "***", "**", "*", " ", " "),
abbr.colnames = FALSE, na = "")
Cyclin D-1 Cyclin D-2 Hyperdiploid Low bone disease MAF MMSET
Cyclin D-2
Hyperdiploid
Low bone disease
MAF
MMSET
Proliferation * *
attr(,"legend")
[1] 0 ‘****’ 1e-04 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘ ’ 0.1 ‘ ’ 1 t ## NA: ‘’
