基于r的群落學(xué)多元統(tǒng)計(jì)分析-文庫吧資料
2025-05-10 00:26本頁面
【正文】 …… 分析 第一章 6p PCA與環(huán)境因子結(jié)合是 RDA， CA與環(huán)境因子結(jié)合是 CCA。例如，我們要研究管理模式對蝴蝶群落中組成的影響，我們可以在不同的海拔地點(diǎn)取樣，海拔也許對群落物種組成影響很大，但此時(shí)我們感興趣的是管理模式的影響，而非海拔梯度的影響。在 CANOCO中，協(xié)變量的影響可以用偏分析（ partial analyze）剔除出來。 plot(decorana(gtsdata)) plot(cca(gtsdata)) 直接梯度分析（ Direct Gradient Analysis） ： RDA (Redundance analysis) CCA (Canonical correspondence analysis) pRDA (partial RDA) pCCA (partial CCA) 冗余分析 (redundancy analysis, RDA)及典范對應(yīng)分析（ Canonical correspondence analysis, CCA) PCA處理環(huán)境數(shù)據(jù)，采用 CA處理群落數(shù)據(jù)，但這些方法都只能處理一個(gè)數(shù)據(jù)表； CCA是多元分析（ PCA， CA）和線性回歸的結(jié)合，研究植被和環(huán)境之間的關(guān)系。 mk：校正弓形效應(yīng)軸的分段數(shù) 。 decorana(veg, iweigh=0, iresc=4, ira=0, mk=26, short=0, before=NULL, after=NULL) veg:群落數(shù)據(jù) 。 除趨勢對應(yīng)分析 (Detrended correspondence analysis, DCA)： CA采用單峰曲線表示物種和環(huán)境關(guān)系 CA產(chǎn)生的弓形效應(yīng) CA的第二排序軸在許多情況下是第一軸的二次變形，即所謂的“弓形效應(yīng)”（ Arch effect）或者“馬蹄形效應(yīng)”（ horseshoe effect）。 ? 只在少數(shù)樣方出現(xiàn)的物種通常在排序空間的邊緣，表明它們只偶然發(fā)生，或它們只在稀有生境（如米櫧 CASCAR）。特別是對于二元數(shù)據(jù)的排序，這個(gè)樣方可能就代表該物種。 plot(, scaling=2) plot(, scaling=3) 用樣方數(shù)據(jù)對物種坐標(biāo)進(jìn)行加權(quán)平均 ,使物種數(shù)據(jù)在樣方數(shù)據(jù)的中心，因此對物種感興趣的話，采用這種做圖方法。 相關(guān)系數(shù) (絕對值 ） 越大 ， 主成分對該變量的代表性也越大 。 ? 如用 x1,x2,x3,x4,x5,x6? 分別表示原先的變量 ， 而用 y1,y2,y3,y4,y5,y6? 表示新的主成分 ， 那么 ， 第一和第二主成分為 1 1 2 3 4 5 62 1 2 3 4 5 6 0 . 8 0 6 0 . 6 7 4 0 . 6 7 5 0 . 8 9 3 0 . 8 2 5 0 . 8 3 60 . 3 5 3 0 . 5 3 1 0 . 5 1 3 0 . 3 0 6 0 . 4 3 5 0 . 4 2 5y x x x x x xy x x x x x x? ? ? ?? ? ? ? ? ?? 這些系數(shù)稱為主成分載荷 （ loading） ， 它表示主成分和相應(yīng)的原先變量的相關(guān)系數(shù) 。而且軸與軸之間是正交的（ orthogonal)。如果介于 34之間，單峰模型和線性模型結(jié)果差不多。 排序類別 (in CANOCO) 間接梯度分析（ Indirect Gradient Analysis） ： PCA (Principal ponents analysis) CA (Correspondence analysis) DCA (Detrended Correspondence Analysis) 直接梯度分析（ Direct Gradient Analysis） ： RDA (Redundance analysis) CCA (Canonical correspondence analysis) DCCA (Detrended CCA ) PCA RDA CA CCA DCA DCCA 13 決定排序的模型：單峰還是線性？ decorana(gtsdata) Call: decorana(veg = gtsdata) Detrended correspondence analysis with 26 segments. Rescaling of axes with 4 iterations. DCA1 DCA2 DCA3 DCA4 Eigenvalues Decorana values Axis lengths 如果這四個(gè)軸中梯度最長（最大值）超過 4，選擇單峰模型排序（ CA、 CCA、 DCA）更合適。 normalize:使行或列的平方和等于 1 (default MARGIN = 1)。 max:除以行或列的最大值 (default MARGIN = 2 是列 )。 （ linear model），短的梯度，主成分分析（ Principle ponent analysis)，需要對數(shù)據(jù)進(jìn)行非線性轉(zhuǎn)換，如取對數(shù)；
高考資料相關(guān)推薦
鄂ICP備17016276號-1