Question

当我尝试制作CCA图时，只显示25个向量中的4个。

所以，我首先加载我的数据......

#Load package and Data
library(vegan)
Species <- read.csv("D:/R/Code/TestSpiders.csv", head = TRUE, row.names = 1)
Plants <- read.csv("D:/R/Code/Plants.csv", head = TRUE, row.names = 1)

然后，我使用以下代码制作CCA并绘制它。

#Making the CCA
CCA.Plants <- cca(Species, Plants)
plot(CCA.Plants)

即使我的植物数据有超过4列（它有25个），在生成的CCA图中只显示4个向量。这4个向量代表我的Plants数据帧的前4列。当我使用CCA示例（varespec和varechem）中使用的数据时，不会发生这种情况。我看不出varechem和我的植物数据的格式有什么不同。

这是我输入CCA.Plants

时的结果

Call: cca(X = Species, Y = Plants)

              Inertia Proportion Rank
Total          1.0904     1.0000     
Constrained    0.4789     0.4392    4
Unconstrained  0.6115     0.5608   15
Inertia is mean squared contingency coefficient 
Some constraints were aliased because they were collinear (redundant)

Eigenvalues for constrained axes:
   CCA1    CCA2    CCA3    CCA4 
0.19122 0.16817 0.06850 0.05101 

Eigenvalues for unconstrained axes:
    CA1     CA2     CA3     CA4     CA5     CA6     CA7     CA8     CA9    CA10    CA11    CA12 
0.16984 0.12046 0.06941 0.05250 0.04174 0.03349 0.02291 0.02206 0.02015 0.01970 0.01504 0.00957 
   CA13    CA14    CA15 
0.00802 0.00428 0.00228

赞赏任何意见。

Answer 1

线索在这里：

Some constraints were aliased because they were collinear (redundant)

换句话说，Plants的其他21列可以创建为图中所示的四种植物物种的线性组合。这21个植物不包含额外信息，因此从分析中删除。

我也不认为你在这里使用的方法很好。为什么蜘蛛应该单向响应植物的线性梯度？

相反，我建议对这类问题使用协同对应分析（Co-CA）。如果您不希望任何一组物种发挥预测因子或响应，则使用对称版本;如果您真的想要使用植物物种组成预测蜘蛛，则使用预测版本。

此方法（两个版本）都是通过我的 cocorresp 包在R中实现的，该包位于CRAN上，并且基于原始的Matlab例程，作为引入Co-CA的论文的补充信息提供。（ter Braak＆amp; Schaffers，2004）。

例如：

 ## symmetric CoCA
 data(beetles)
 ## log transform the beetle data
 beetles <- log1p(beetles)
 data(plants)
 ## fit the model
 bp.sym <- coca(beetles ~ ., data = plants, method = "symmetric")
 bp.sym

，并提供：

Symmetric Co-Correspondence Analysis

Call: symcoca(y = y, x = x, n.axes = n.axes, R0 = weights, symmetric =
symmetric, nam.dat = nam.dat)

Eigenvalues:
 COCA 1    COCA 2    COCA 3    COCA 4    COCA 5    COCA 6    COCA 7    COCA 8   
 0.2534    0.1289    0.0811    0.0741    0.0585    0.0474    0.0373    0.0320   
 COCA 9   COCA 10   COCA 11   COCA 12   COCA 13   COCA 14   COCA 15   COCA 16   
 0.0308    0.0233    0.0207    0.0184    0.0172    0.0161    0.0144    0.0118   
COCA 17   COCA 18   COCA 19   COCA 20   COCA 21   COCA 22   COCA 23   COCA 24   
 0.0106    0.0100    0.0087    0.0085    0.0066    0.0063    0.0050    0.0044   
COCA 25   COCA 26   COCA 27   COCA 28   COCA 29   
 0.0043    0.0034    0.0022    0.0010    0.0006   

Inertia:
           beetles plants
Total:     3.98833  5.757
Explained: 3.97079  5.740
Residual:  0.01754  0.018

和

layout(matrix(1:2, ncol = 2))
plot(bp.sym, which = "response", main = "Beetles")
plot(bp.sym, which = "predictor", main = "Plants")
layout(1)

请注意，在此对称分析中，任何一组组合都不会扮演响应或预测角色，但这就是绘图方法选择绘制哪个，基于哪个是{{1的左侧或右侧在公式中。

预测性Co-CA的工作方式类似。

ter Braak，C.J.F和Schaffers，A.P。（2004）Co-Correspondence Analysis：一种关联两种社区组合的新排序方法。 生态学 85（3），834-846

R CCA仅显示4个向量

1 个答案: