10

我已经使用 vegan 包在 R 中进行了规范的对应分析，但我发现输出很难理解。三元图是可以理解的，但是我从摘要（cca）中得到的所有数字都让我感到困惑（因为我刚刚开始学习排序技术）我想知道 Y 中有多少方差可以解释为X（在这种情况下是环境变量）以及在这个模型中哪些自变量是重要的？

我的输出如下所示：

Partitioning of mean squared contingency coefficient:
              Inertia Proportion
Total           4.151     1.0000
Constrained     1.705     0.4109
Unconstrained   2.445     0.5891

Eigenvalues, and their contribution to the mean squared contingency coefficient 

Importance of components:
                        CCA1   CCA2    CCA3    CCA4    CCA5    CCA6      CCA7
Eigenvalue            0.6587 0.4680 0.34881 0.17690 0.03021 0.02257 0.0002014
Proportion Explained  0.1587 0.1127 0.08404 0.04262 0.00728 0.00544 0.0000500
Cumulative Proportion 0.1587 0.2714 0.35548 0.39810 0.40538 0.41081 0.4108600

                         CA1    CA2     CA3     CA4     CA5     CA6     CA7
Eigenvalue            0.7434 0.6008 0.36668 0.33403 0.28447 0.09554 0.02041
Proportion Explained  0.1791 0.1447 0.08834 0.08047 0.06853 0.02302 0.00492
Cumulative Proportion 0.5900 0.7347 0.82306 0.90353 0.97206 0.99508 1.00000

Accumulated constrained eigenvalues

Importance of components:
                        CCA1   CCA2   CCA3   CCA4    CCA5    CCA6      CCA7
Eigenvalue            0.6587 0.4680 0.3488 0.1769 0.03021 0.02257 0.0002014
Proportion Explained  0.3863 0.2744 0.2045 0.1037 0.01772 0.01323 0.0001200
Cumulative Proportion 0.3863 0.6607 0.8652 0.9689 0.98665 0.99988 1.0000000

Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions

Species scores

                 CCA1     CCA2    CCA3      CCA4      CCA5       CCA6
S.marinoi     -0.3890  0.39759  0.1080 -0.005704 -0.005372 -0.0002441
C.tripos       1.8428  0.23999 -0.1661 -1.337082  0.636225 -0.5204045
P.alata        1.6892  0.17910 -0.3119  0.997590  0.142028  0.0601177
P.seriata      1.4365 -0.15112 -0.8646  0.915351 -1.455675 -1.4054078
D.confervacea  0.2098 -1.23522  0.5317 -0.089496 -0.034250  0.0278820
C.decipiens    2.2896  0.65801 -1.0315 -1.246933 -0.428691  0.3649382
P.farcimen    -1.2897 -1.19148 -2.3562  0.032558  0.104148 -0.0068910
C.furca        1.4439 -0.02836 -0.9459  0.301348 -0.975261  0.4861669

Biplot scores for constraining variables

                CCA1    CCA2     CCA3     CCA4     CCA5     CCA6
Temperature  0.88651  0.1043 -0.07283 -0.30912 -0.22541  0.24771
Salinity     0.32228 -0.3490  0.30471  0.05140 -0.32600  0.44408
O2          -0.81650  0.4665 -0.07151  0.03457  0.20399 -0.20298
Phosphate    0.22667 -0.8415  0.41741 -0.17725 -0.06941 -0.06605
TotP        -0.33506 -0.6371  0.38858 -0.05094 -0.24700 -0.25107
Nitrate      0.15520 -0.3674  0.38238 -0.07154 -0.41349 -0.56582
TotN        -0.23253 -0.3958  0.16550 -0.25979 -0.39029 -0.68259
Silica       0.04449 -0.8382  0.15934 -0.22951 -0.35540 -0.25650

在所有这些数字中，哪一个对我的分析很重要？/安娜

4

2 回答 2

15

解释了多少变化X？

在 CCA 中，方差不是正常意义上的方差。我们将其表示为“均方或有系数”或“惯性”。您需要确定 X 解释了多少 Y 中的“变化”所需的所有信息都包含在我在下面复制的输出部分中：

Partitioning of mean squared contingency coefficient:
              Inertia Proportion
Total           4.151     1.0000
Constrained     1.705     0.4109
Unconstrained   2.445     0.5891

在此示例中，总惯量为 4.151，您的 X 变量（这些是“约束”）总共解释了 1.705 位惯量，约占 41%，约 59% 无法解释。

下一节提到特征值，您可以看到解释的惯性和解释的比例，哪些轴对 CCA 的解释性“能力”（上Constrained表的部分）和无法解释的“方差”（Unconstrained部分上表。

下一部分包含协调分数。将这些视为三图中点的坐标。出于某种原因，您在上面的输出中显示了站点分数，但它们通常会在那里。请注意，这些已被缩放 - 默认情况下正在使用scaling = 2- 因此站点点是物种分数 IIRC 等的加权平均值。

“Biplot”分数是箭头的位置或箭头上的标签 - 我现在完全忘记了绘图是如何绘制的。

在所有这些数字中，哪一个对我的分析很重要？

所有这些都很重要 - 如果您认为三元图是重要的可解释的，它完全基于报告的信息summary()。如果您对数据有特定的问题要问，那么也许只有某些部分对您来说是最重要的。

但是，StackOverflow 不是提出此类统计性质问题的地方。

于 2014-03-20T15:34:44.093 回答
0

我没有评论的资格。但是，作为对第一个答案解释的第一个答案解释对比例 2 中物种和地点分数的解释，我相信他们的解释是倒退的。

在 Borcard、Gillet 和 Legendre 所著的“R 的数值生态学”一书中，他们清楚地指出，在缩放 2 个物种的分数是这些地点的加权平均值。

在 CCA 中使用 ordihull 函数时可以确认这一点。

同样在 OP 的输出中，物种分数是按比例计算的，而地点分数是未按比例计算的。我相信这证实了这本书所说的。

“物种和地点分数的缩放 2 * 物种与特征值成比例缩放 * 地点未缩放：所有维度上的加权分散相等”

于 2019-03-28T14:51:37.143 回答