Question

在受约束的排序分析中，如CAP或dbRDA，研究人员通常想知道有多少不相似性归因于特定物种。在Primer PERMANOVA中，轴的物种的Spearman rank或Pearson correlations是一个选项，它提供了物种的估计，用于表征物种组合在使用CAP或RDA时的变化。在R中，vegan提供了一种不同的度量，称为物种得分，可以计算，但不能仔细考虑潜在的缺点 https://github.com/vegandevs/vegan/issues/254#issuecomment-334071917。和@ vegan dbrda species scores are empty despite community matrix provided，当使用capscale时。

我想更好地了解如何在Primer PERMANOVA中计算相关性和物种分数。首先，这些方法的目的是显示出真正的差异吗？使用Spearman或Pearson correlations优于R- vegan物种得分有哪些好处和缺点？计算Primer中种与轴相关性的方法是否存在类似的问题，如上面链接中对capscale或dbrda中物种分数的详细描述？在Primer中，社区矩阵和轴使用的变量有哪些来计算它们之间的相关性？这些原始数据还是转换后的数据？最后，如果相关方法是物种引起组合之间差异的相对数量的更好估计，而不是R中的物种分数，那么这应该被视为R vegan的替代品。物种得分？

Answer 1

我从未见过 PRIMER ，我无法评论素食主义者与 PRIMER 之间的差异，但我可以解释一下我们如何在纯素

如果您将拟合环境变量的物种得分视为箭头，则有两个不同的方面：方向和长度。首先是关于箭头的方向。

通常，箭头与轴不平行，但它们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lm(y ~ Ax1 + Ax2)中找到。如果y是物种，则给出物种得分的箭头，如果y是环境变量，则给出拟合向量。将物种与轴相关联意味着两个单独的模型lm(y ~ Ax1)和lm(y ~ Ax2)。素食模型定义线性趋势曲面，轴模型定义两个独立的线性趋势曲面，每个曲面沿一个轴具有最陡的梯度。以下示例显示了与素食主义者中PCA中物种得分相关的线性模型：

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)

envfit函数添加的箭头指向与物种分数相同的方向，ordisurf将线性（knots = 1）趋势曲面添加到Cladstel。线性趋势表面的等倾线等距离并垂直于箭头。将采样单元投影到箭头上可以得到这个二维解中预测的物种丰度。物种分数的解释在RDA中是相似的，但您必须记住使用线性组合分数（display="lc"），并且在CCA中您必须记住使用加权回归（envfit和ordisurf自动处理，但使用lm或其他非纯素工具，您需要明确权重。

此方法不易更改为使用排名相关性。对于排名，您需要将点（采样单位）投影到单变量序列。通常人们在轴上投射（也就是说，它们将轴与物种相关联）。然而，如果我们找到一条直通线，当采样单元被投射到其上时（如果存在唯一线或包含线的扇区），则可以找到更好的相关性。这类似于我们找到线性趋势面最陡变化方向的方法。这可以通过欧几里德空间轻松完成，就像所有素食主义者排序空间一样，但不是预测等级。

线性趋势面的假设非常简单。它是PCA和RDA中物种的模型，它是RDA中约束的模型，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为充足。这些可以使用ordisurf与knots＆gt;匹配[ted] 1.

然后关于箭头的长度，或物种与原点的距离。 envfit()函数找到正确的方向，但它按相关系数缩放箭头长度。在PCA和RDA中，我们有几种替代缩放选项：请参阅scaling中correlation和?scores.cca的详细说明。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，丰富的物种可以改变很多并且可以有长箭头，但是稀有物种只能改变一点并且总是短箭头。这是绝对的变化，而不是相对的变化。使用correlation = TRUE时，箭头长度与相对变化成比例，类似于envfit中使用的相关性缩放。再次，请仔细阅读手册（?scores.cca）。

Answer 2

请参阅以下Marti Anderson回复上述有关此问题的电子邮件的非常有用的回复 - 复制了她的许可：

亲爱的菲利普，

感谢您对所有这些方法及其解释的信息和兴趣。我不会评论素食中实现的基于R的东西，毫无疑问Jari最能做到这一点，但我很乐意评论在PRIMER中实现的原始等级（或Perason）相关向量/ PERMANOVA软件。首先，请允许我强调这些旨在成为一种探索性工具。很简单，他们所做的就是显示各个物种（或其他变量）与排序轴的原始（或多个）相关性。他们使用的两个重要注意事项或重要的注意事项。首先，他们最重要的是不要直接告诉你任何关于个别物种在推动dbRDA（或nMDS或PCO或你正在谈论的任何戒律轴）中看到的模式所起作用的具体作用。他们不能这样做，因为他们是在事后被吸引的，而且，正如我们所知，在很多情况下，原始物种变量和排序轴之间的关系预计不会是线性的（甚至是单调的）。在一般选择的不相似性度量（例如BC或Jaccard等）的空间中（通常）进行排序。这很合适有很多原因（我相信你已经知道了，而且我不会参加）。为了看看dbRDA（或任何其他圣职）等受约束的圣职空间中各个物种的模式是什么，我建议你使用气泡图，这是一个更加精细的工具，用于可视化模式。（顺便说一下，在PRIMER 7中，你可以叠加分段气泡图，以这种方式同时显示一组物种的图案。气泡图的优点是，对于任何给定的物种，它们能够显示任何可能的图案。发生，包括跨群体的阶跃变化，跨因子的潜在相互作用，沿梯度的单峰或多模态模式等。现在，使用秩（或Pearson）相关向量具有能够一次绘制大量物种的优势但是，相比之下，它们显然是一种生硬的工具，因为它们只能很好地展示那些可能与排序轴有增加或减少关系的物种，这通常不是整个故事。但它们有其用途，特别是在CAP中设置，其中轴已被专门绘制以最大化组差异。在这种情况下，组在图上分开，因此具有较长轴的物种在这些图中绘制为增加或减少通常会对应那些表征群体差异的物种。然而，即使在CAP示例中，有时群体差异也是由多个（次要）物种的组成变化引起的，这些物种通过相异性度量一起多个并且同时起作用，并且这可能不容易被任何一个的奇异模式所拾取。这些物种在独立和个别考虑时。

好吧，我希望我帮助澄清这里的问题。上述所有内容的结果是，将这些矢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，而不是基于相异性的设置中的确定或诊断工具，他们只表现出某种关系。其他工具（如气泡或分段气泡图）的信息内容将更加丰富，涉及个别物种模式。

我希望以上内容对您有所帮助！亲切的问候，马蒂安德森

R vegan species-score和Primer Spearman等级物种与轴之间的相关性有什么区别？

2 个答案: