我使用纯素包在R中进行了规范的对应分析，但我发现输出很难理解。 triplot是可以理解的，但我从摘要（cca）得到的所有数字都让我感到困惑（因为我刚刚开始学习圣职任命技术） 我想知道Y中有多少方差由X解释（在这种情况下，环境变量）以及哪个独立变量在这个模型中很重要？
我的输出如下：
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
所有这些数字对我的分析都很重要？ /安娜
答案 0 :(得分：13)
X解释了多少变化？在CCA中，方差在正常意义上不是方差。我们将其表示为＆＃34;均方应变系数＆＃34;或惯性＆＃34;。您需要的所有信息，以确定多少＆＃34;变化＆＃34;在Y中解释为X包含在我在下面重现的输出部分中：
Partitioning of mean squared contingency coefficient:
Inertia Proportion
Total 4.151 1.0000
Constrained 1.705 0.4109
Unconstrained 2.445 0.5891
在这个例子中有总惯性4.151和你的X变量（这些是＆＃34;约束＆＃34;）解释了总共1.705位的惯性，约为41％，剩下约59％的原因不明。
下一节涉及特征值允许您在惯性解释和比例解释中看到哪些轴对解释＆＃34; power＆＃34; CCA（上表Constrained部分）和无法解释的＆＃34;方差＆＃34; （上表中的Unconstrained部分。
下一节包含排序分数。将这些视为triplot中各点的坐标。出于某种原因，您在上面的输出中显示了网站分数，但它们通常会在那里。请注意，这些已经缩放 - 默认情况下这是使用scaling = 2 - 所以站点点数是物种分数IIRC等的加权平均值。
＆＃34; Biplot＆＃34;分数是箭头的位置或箭头上的标签 - 我完全忘记了如何绘制绘图。
所有这些都很重要 - 如果您认为三重时间是重要的可解释的，它完全基于summary()报告的信息。如果您对数据提出具体问题，那么可能只有某些部分对您来说至关重要。
然而，StackOverflow不是一个提出统计性问题的地方。
答案 1 :(得分：0)
我没有评论能力。但是，对于第2级物种和站点得分的第一个答案解释，我相信他们的解释是向后的。
在Borcard，Gillet和Legendre的《带R的数值生态》一书中，他们清楚地指出，在缩放2个物种时，分数是该地点的加权平均值。
在CCA中使用ordihull功能时可以确认这一点。
在OP的输出中，还指出物种得分已缩放，而站点得分未缩放。我相信这证实了这本书的内容。
“物种和站点得分的缩放比例为2 *物种与特征值成比例缩放 *网站不按比例缩放：加权尺寸在所有维度上均相等”