1

在约束排序分析中，例如CAPor dbRDA，研究人员通常想知道有多少不同之处归因于特定物种。在Primer PERMANOVA，Spearman rank或Pearson correlations物种到轴是一个选项，它提供了在使用 CAP 或 RDA 时描述物种组合之间变化的物种估计值。在 R 中，vegan提供了一种不同的测量方法，称为物种分数，可以计算但必须仔细考虑潜在的缺点 https://github.com/vegandevs/vegan/issues/254#issuecomment-334071917。使用 capscale 时，尽管提供了社区矩阵，但 vegan dbrda 物种得分为空。

我想更好地了解如何计算相关性和物种分数Primer PERMANOVA。首先，这些方法旨在显示的内容是否存在真正的差异？Spearman使用或Pearson correlations超过 R-vegan的物种分数的优点和缺点是什么？Primer 中计算物种与轴相关性的方法是否存在与上述物种分数链接中详述的类似问题capscale或dbrda在 R? 在 Primer 中，社区矩阵和轴中使用哪些变量来计算它们之间的相关性？这些是原始数据还是转换后的数据？最后，如果相关方法比 R 中的物种分数更能估计物种导致组合之间差异的相对数量，那么这是否应该被视为 R vegan 物种分数的替代方法？

4

2 回答 2

1

我从未见过PRIMER，我无法评论vegan和PRIMER之间的差异，但我可以解释我们如何在vegan中工作。

如果您将拟合环境变量的物种分数视为箭头，则有两个独立的方面：方向和长度。首先关于箭头的方向。

一般来说，箭头不平行于轴，而是指向物种或环境变量变化最快的方向。箭头的方向可以从线性模型中找到lm(y ~ Ax1 + Ax2)。如果y是一个物种，这给出了物种分数的箭头，如果y是一个环境变量，这给出了一个拟合向量。将物种与轴相关联意味着两个独立的模型lm(y ~ Ax1) 和lm(y ~ Ax2)。vegan模型定义了一个线性趋势表面，而轴模型定义了两个独立的线性趋势表面，每个趋势表面沿一个轴具有最陡峭的梯度。以下示例显示了线性模型如何与vegan中 PCA 中的物种得分相关：

library(vegan)
data(varespec)
pc <- rda(varespec)
biplot(pc) # species scores as biplot arrows
plot(envfit(pc ~ Pleuschr + Cladarbu + Cladrang + Cladstel, varespec))
ordisurf(pc ~ Cladstel, varespec, knots = 1, add = TRUE)

该envfit函数添加指向与物种分数相同方向的箭头，ordisurf 并将线性 ( knots = 1) 趋势面添加到Cladstel。线性趋势面的等倾线等距且垂直于箭头。将采样单位投影到箭头给出了该二维解中的预测物种丰度。物种分数的解释在RDA中是相似的，但你必须记住使用线性组合分数display="lc"(需要明确的权重）。envfitordisurflm

这种方法不容易更改为使用等级相关性。对于排名，您需要将点（采样单位）投影到单变量序列。人们通常在轴上投影（也就是说，他们将轴与物种相关联）。但是，如果我们找到一条通过原点的线，在将采样单元投影到其上进行排名时给出最佳排名相关性（如果存在唯一线或包含线的扇区），则会发现更好的相关性。这类似于我们在线性趋势面中寻找最陡变化方向的方法。这很容易用欧几里得空间来完成，就像所有的纯素排序空间一样，但不是用投影的秩。

线性趋势面的假设非常简单。它是 PCA 和 RDA 中的物种模型，也是 RDA 中的约束模型，它显示了分析如何看待您的数据（记住"lc"分数！）。但是，对于其他变量和其他排序方法，更复杂的响应模型通常更合适。这些可以使用ordisurfwith knots> 1 来拟合[ted]。

然后是箭头的长度，或物种与原点的距离。该envfit()函数找到正确的方向，但它通过相关系数缩放箭头长度。在 PCA 和 RDA 中，我们有几个可选的缩放选项：请参阅scaling和correlation 中的详细描述?scores.cca。默认 ( correlation = FALSE) 缩放使箭头与物种丰度的绝对变化成比例。也就是说，丰富的物种可以变化很大，可以有长箭，但稀有物种只能改变一点，总是有短箭。是绝对变化，不是相对变化。使用correlation = TRUE时，箭头长度与相对变化成正比，并且类似于 中使用的相关性缩放envfit。再次，详细阅读手册 ( ?scores.cca)。

于 2017-10-05T08:01:23.093 回答
1

请参阅下面 Marti Anderson 对与上述问题相关的电子邮件的非常有用的回复 - 经她许可复制：

亲爱的菲利普，

感谢您的信息和对所有这些方法及其解释的兴趣。我不会评论在 vegan 中实现的基于 R 的东西，因为毫无疑问 Jari 最能做到这一点，但我很乐意评论在 PRIMER/PERMANOVA 软件中实现的原始等级（或 Perason）相关向量. 首先，让我强调这些旨在成为一种探索性工具。很简单，他们所做的只是显示单个物种（或其他变量）与排序轴的原始（或多重）相关性。这里有两个重要的使用注意事项或需要注意的重要事项。首先，他们最强调没有直接告诉你任何关于个别物种可能在 dbRDA（或 nMDS 或 PCO 或你所说的任何协调轴）中看到的驱动模式中所起的具体作用。它们不能这样做，因为它们是在事后绘制的，而且，正如我们所知，原始物种变量和排序轴之间的关系，在很多情况下，根本不期望是线性的（甚至是单调的）。排序是（通常）在一些选择的不同度量（例如 BC 或 Jaccard 等）的空间中完成的。出于很多原因，这是合适的（我相信你已经知道了，我不会深入讨论）。要查看像 dbRDA（或任何其他排序）这样的受限排序空间中单个物种的模式是什么，我建议您使用气泡图，这是一种更精细的可视化模式的工具。（顺便说一下，在 PRIMER 7 中，您可以叠加分段气泡图，以这种方式同时可视化一组物种的模式。气泡图的优势在于，对于任何给定的物种，它们能够显示任何可能发生的模式，包括跨组的阶跃变化、跨因素的潜在相互作用、沿梯度的单峰或多峰模式等。现在，秩（或皮尔逊）相关向量的使用具有能够一次绘制大量物种的优势，但相比之下，它们显然是一个生硬的工具，因为它们只能很好地显示那些可能与它们有增加或减少关系的物种协调轴，如果通常不是整个故事。然而，它们有其用途，特别是在 CAP 设置中，其中专门绘制了轴以最大化组差异。在这种情况下，组在图上是分开的，因此，在这些图上绘制为增加或减少的较长轴的物种通常对应于那些表征群体差异的物种。然而，即使在 CAP 示例中，有时群体差异是由整组（次要）物种的组成变化引起的，这些物种通过差异性度量同时多变量地同时作用，这可能不容易被任何单一物种的单一模式所识别。这些物种在独立和单独考虑时。

好吧，我确实希望我已经帮助澄清了这里的问题。以上所有内容的结果是，将这些向量放在您可能选择的任何排序图上都没有问题，但它们是一种启发式和后验练习，而不是基于差异的设置中的明确或诊断工具，他们只表现出某种关系。其他工具（例如气泡图或分段气泡图）将在有关单个物种模式的信息内容方面更加丰富。

我希望以上是有帮助的！亲切的问候，马蒂·安德森

于 2017-10-07T11:52:17.260 回答