使用R，我试图在10个采样日内对一组9种物种（单位细胞/ mL）的丰度数据进行dbRDA，我有8个环境变量（不同的单位和一些缺失的值）。我想要进行一次测试，以显示环境变量如何影响这些天中丰度之间的变化。
问：dbRDA是正确的测试吗？还是CCA？
问：我怎么知道我是否应该sqrt.dist = TRUE？
问：使用dbrda，cca和capscale有什么区别？
dismat <- vegdist(Abundance_data, method="bray", binary=FALSE, diag=FALSE,
upper=FALSE, na.rm = FALSE)
vare.cap <- dbrda(dismat~ T + F + S + Chl + Ice + AirT + WD + WS, data=df,
dist = "bray", scale = TRUE, sqrt.dist = TRUE, na.action = na.omit)
anova(vare.cap)
anova(vare.cap, by="margin")
anova(vare.cap, by="terms")
问：保证金和条款有什么区别？
答案 0 :(得分：0)
问题不是技术性很强，因此回答您可能是错误的。但是，这里回答了四个问题的当前状态：
问： dbRDA或CCA：不能不加怀疑地简短回答。确实没有答案：有些人喜欢dbRDA，有些人则喜欢CCA。它与指标有关（=当您说两个采样单位互不相同时，您的意思是什么）以及如何进行度量。这是科学流派和传统的问题，您确实应该咨询您的同事和主管，以了解环境中的工作方式。解释这些差异所需要的空间比本论坛中的空间要大得多。顺便说一句，尽管dbRDA或CCA都不是测试，但是分析后可以将它们与置换测试一起使用。 问：是否使用sqrt.dist：同样，这是科学学校的问题。 sqrt.dist试图解决的问题是，基于距离的方法可以给出带有流行的生态差异指数的微小负特征值，并且在许多情况下，可以通过采用差异的平方根来使用它们。这些负面的特征值让我不用担心，我也不用使用sqrt.dist，但是许多人对此感到非常恐惧。使用sqrt.dist的问题在于，您不再分析指定的差异，而是分析其平方根。负特征值的影响通常只会出现在您不感兴趣的后一个轴上，而前两个轴是不敏感的（例如，使用参数add不会对它们产生太大影响），如果在这种情况下，sqrt.dist = TRUE是没有用的。但是，您应该再次检查当地传统（询问您的朋友和主管）并进行相应的工作。
问： dbRDA，CCA或capscale。对于CCA，请参阅第一个答案。对于capscale：不要使用它，而要使用dbrda，它可以实现（我认为）更好的方法。但是，dbrda和capscale的区别仅在于它们对负特征值的处理方式不同，并且如果没有负特征值，它们的结果相同，您可以使用其中任何一个。
问：保证金与条款：这是指测试单个约束变量（或条款）。当测试术语时，变量将按照模型定义中的顺序或顺序进行测试：（1）仅第一个变量的作用，（2）具有第一个变量后的第二个变量的作用，（n）变量的作用具有n-1个变量后的第n个变量。 “边距”是指模型中具有所有n-1个其他变量后，每个变量的边际效应或唯一效应。这与其他标准 R 函数（例如，线性模型lm的ANOVA中的定义）相同。顺序测试是合理的，而边际测试则更容易理解。有时边际测试会更有用，但可能会产生误导。策略之间的差异取决于您的解释变量的相互依赖性（共线性），并且如果您的变量是独立的（不相关），差异就会消失。