最新R语言中级篇.pptVIP

 广义线性模型（ Generalized linear models ） plot(X,dat$出现比例,xlab=Altitude (m),ylab=Probability of occurrence, ylim=c(0,1),lwd=3,col=blue,cex.axis=1.5,cex.lab=1.5,cex=3) ###注意前后循序 lines(x,pre2,col=red,lty=2,lwd=2)#####添加拟合线 自己练习： ####这种鸟在该区域海拔2750m出现的概率是？ 2017-12-11  非线性回归模型（ non-linear regression models ） 多项式回归 函数形式 lm(y~x+I(x^2)+I(x^3)) 例子，由于受到中位效应或者面积效应的影响，往往物种在中海拔地区比较丰富。 dat- read.csv(data_eg1.csv,head=T) y- dat$num.sp x- dat$elevation plot(x,y,xlab=Altitude (m),ylab=Species richness) ####看下散点图的分布 lm.obj- lm(y~x+I(x^2) summary(lm.obj) ######结果显示 2017-12-11  回归方程为：y= -2299+4.049x-1658x2 非线性回归模型（ non-linear regression models ） 2017-12-11  作图 x.pre- seq(min(x),max(x),len=1000)###进行分段 y.pre- predict(lm.obj,data.frame(x=x.pre))###lm.obj函数形式，得到预测值,模型都可以预测 plot(y~x,lwd=0.2,cex=1.5,xlab=Altitude (m),ylab=Species richness) lines(x.pre,y.pre,col=red,lwd=3) 也可以加根对称线y= -b/(2a)x a- sum.obj$coefficients[[3]] b- sum.obj$coefficients[[2]] sym.lin- (-b)/(2*a) abline(v=sym.lin,col=blue,lwd=3,lty=2) 非线性回归模型（ non-linear regression models ） 2017-12-11  (Toms et al. Ecology,2003) 非线性回归模型（ non-linear regression models ） 分段回归 分段回归有时候是获得一些生态边界、阈值、转折点的很好方法 2017-12-11  2.2 方差分析Analysis of Variance （ANOVA） 双因素方差分析 比如全球变化控制实验研究中的加温，添加N，加水分析，往往需要多个因素考虑，并且存在交互作用 1）不考虑交互作用 dat$Increase_T- as.factor(dat$Increase_T) ###因子转换 dat$Increase_T- as.factor(dat$add_N) dis.aov- aov(biomass~Increase_T+add_N,data=dat) ###不考虑交互作用 summary(dis.aov) 加温有显著影响 加N没有显著影响 2017-12-11  2.2 方差分析Analysis of Variance （ANOVA） 2）考虑交互作用 加温有显著影响 加N有显著影响 dis.aov.inter- aov(biomass~Increase_T+add_N+Increase_T:add_N,data=dat) ####考虑交互作用 summary(dis.aov.inter) 并且交互存在交互作用 Note,由于交互作用的存在，影响到了N添加的作用解释，相比前面的结果 2017-12-11  2.2 方差分析Analysis of Variance （ANOVA） Ancova分析 既有非连续变量又有连续变量 *号 Eg: 见原始数据eg1.csv中，我们收集了全国600个样点的生物量及气候因子及干扰方式，而干扰行为在空间上可能与气候又存在一定的关系 执行语句 dat-read.csv(data_eg1.csv,head=T) dat$disturb- as.factor(dat$disturb) dis.aov- lm(biomass~temperature*disturb,data=dat) summary(dis.aov)