0

你好，这是我在 stackoverflow 或任何类似论坛中的第一个问题，所以如果我错过了什么，请原谅并善待；）

我正在使用R中的vegan包来计算cca分析。因为我的研究是关于物种性状的种内变异，所以我没有“情节 X 物种-矩阵”而是代表“生理-化学-利基”的“个体 X 性状-矩阵”（所以我的物种分数看起来与他们不同习惯了）。所以我的问题是：

  1. 以这种方式进行分析是否合适？
  2. 是否可以根据“物种分数”（在我的情况下不是物种分数）来解释 CCA 轴 - 我想获得以下信息：CCA1 与性状 X 最相关。
  3. 与 premutaion 测试 (anova.cca) 相比，我如何解释双标图箭头的长度 - 因为我得到了许多“长”箭头，但在排列测试中只有少数是显着的？

这是我的摘要（cca）-输出：

Call:
cca(formula = mniche_g ~ cover_total * Richness + altitude +      Eastness + lan_TEMP + lan_REACT + lan_NUTRI + lan_MOIST +      Condition(glacier/transect/plot/individuum), data = mres_g_sc) 

Partitioning of scaled Chi-square:
               Inertia Proportion
Total         0.031551    1.00000
Conditioned   0.001716    0.05439
Constrained   0.006907    0.21890
Unconstrained 0.022928    0.72670

Eigenvalues, and their contribution to the scaled Chi-square 
after removing the contribution of conditiniong variables

Importance of components:
                         CCA1      CCA2      CCA3    CA1     CA2      CA3
Eigenvalue            0.00605 0.0005713 0.0002848 0.0167 0.00382 0.002413
Proportion Explained  0.20280 0.0191480 0.0095474 0.5596 0.12805 0.080863
Cumulative Proportion 0.20280 0.2219458 0.2314932 0.7911 0.91914 1.000000

Accumulated constrained eigenvalues
Importance of components:
                         CCA1      CCA2      CCA3
Eigenvalue            0.00605 0.0005713 0.0002848
Proportion Explained  0.87604 0.0827150 0.0412425
Cumulative Proportion 0.87604 0.9587575 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      CA1      CA2       CA3
SLA_range_ind  0.43964 -0.002623 -0.0286814 -0.75599 -0.04823  0.003317
SLA_mean_ind   0.01771 -0.042969  0.0246679 -0.01180  0.12732  0.053094
LNC           -0.10613 -0.064207 -0.0637272  0.07261 -0.15962  0.198612
LCC           -0.01375  0.012131 -0.0005462  0.02573 -0.01539 -0.021314
    
...

这是我的 anova.cca(cca)-输出：

Permutation test for cca under reduced model
Terms added sequentially (first to last)
Permutation: free
Number of permutations: 999

Model: cca(formula = mniche_g ~ cover_total * Richness + altitude + Eastness + lan_TEMP + lan_REACT + lan_NUTRI + lan_MOIST + Condition(glacier/transect/plot/individuum), data = mres_g_sc)
                      Df ChiSquare       F Pr(>F)    
cover_total            1 0.0023710 10.4442  0.002 ** 
Richness               1 0.0006053  2.6663  0.080 .  
altitude               1 0.0022628  9.9676  0.001 ***
Eastness               1 0.0005370  2.3657  0.083 .  
lan_TEMP               1 0.0001702  0.7497  0.450    
lan_REACT              1 0.0005519  2.4313  0.094 .  
lan_NUTRI              1 0.0000883  0.3889  0.683    
lan_MOIST              1 0.0001017  0.4479  0.633    
cover_total:Richness   1 0.0002184  0.9620  0.351    
Residual             101 0.0229283                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

这里是双标图： 在此处输入图像描述

谢谢你们！

4

1 回答 1

0

  1. 我没有足够的信息来说明将 CCA 用于您的数据是否明智。我很怀疑，我认为这可能不明智。关键问题是“特征的总和有意义吗？”。如果没有，*CA 没有意义，因为你需要行和列的总和，如果你用不同的单位测量你的变量，它们的总和是没有意义的。例如，如果你改变一个“特征”的单位，比如从英寸到厘米，结果就会改变。将 RDA/PCA 与变量的均衡缩放一起使用可能更明智。

  2. 您可以从分析中获得单个变量与轴的关系。这只是该变量的排序分数。通过将点投影到轴上，您可以直观地看到它，数字上使用summary或scores。但是，我认为你不应该想要那样，但如果你做了我认为你不应该做的事情，我不会阻止你。（旋转尺寸的解释可能更有意义——轴只是绘制图的参考框架。）

  3. 简要回答：箭头长度与所谓的意义无关。更长的答案：双标箭头长度的缩放取决于解决方案的缩放比例和解决方案中约束轴的数量。双标图分数基于与所谓的线性组合分数的关系——它们完全由这些相同的变量定义，约束变量与所有约束轴的多重相关性为 1。在默认缩放（“物种” )，所有双标图箭头在完全约束解决方案中都具有单位长度，但如果只显示几个轴中的两个，如果箭头在您未显示的尺寸中较长，则箭头会显得较短，如果尺寸较长，则箭头会显得较长你展示的是唯一对这些变量很重要的变量。与其他缩放比例，您还可以按轴特征值添加缩放。但是，这些长度与这些变量的所谓重要性无关。（顺便说一句，您在显着性测试中使用了顺序方法，这意味着测试顺序会影响结果。这完全可以，但与解释不依赖于顺序的箭头不同。）

于 2021-03-11T14:20:18.730 回答