rda分析怎么做-群落分析的冗余分析（RDA）概述.pdfVIP

rda分析怎么做_群落分析的冗余分析（RDA）概述 约束排序之冗余分析(RDA)概述 前篇先后简介了主成分分析(PCA)、对应分析(CA)、主坐标分析(PCoA)以及⾮度量多维尺度分析(NMDS)。这些排序⽅法均属于⾮约束排 序，只涉及⼀个数据矩阵，并在低维空间中尽可能呈现原始的数据结构。⾮约束排序⽅法中不存在解释变量(对于物种多度数据⽽⾔，解释 变量通常指代环境因素)，尽管可以通过相关性或多元回归的⽅式被动添加⾄排序空间中。与此相⽐，约束排序则可以从排序开始直接加⼊ 解释变量进⾏运算，它涉及两个数据矩阵，响应变量矩阵以及解释变量矩阵。本篇继续以群落分析为例，对约束排序⽅法之⼀的冗余排序 (RDA)作个简述。 RDA的基本⽅法描述 冗余分析(RDA)和基于转化的冗余分析(tb-RDA) Rao(1964)⾸次提出冗余分析(Redundancy analysis，RDA)，从概念上讲，RDA是响应变量矩阵与解释变量矩阵之间多元多重线性回归 的拟合值矩阵的PCA分析，也是多响应变量(multi-response)回归分析的拓展。在群落分析中常使⽤RDA，将物种多度的变化分解为与环 境变量相关的变差(variation；或称⽅差，variance，因为RDA中变差=⽅差；由约束/典范轴承载)，⽤以探索群落物种组成受环境变量约 束的关系。 包含很多零值的物种多度数据在执⾏多元回归或其它基于欧式距离的分析⽅法之前必须被转化，Legendre和Gallagher(2001)提出的基于 转化的RDA(Transformation-based redundancy analysis，tb-RDA)⽤于解决这个问题。tb-RDA在分析前⾸先对原始数据做⼀定的转 化(例如Hellinger预转化包含很多零值的群落物种数据)，并使⽤转化后的数据执⾏RDA。即除了第⼀步增添了数据转化外，其余过程均和 常规的RDA相同，只是在原始数据本⾝做了改动，RDA算法本质未变。 RDA算法可以简要总结如下(详细过程可参阅Legendre和Legendre(1998)“Numerical Ecology”，579-584页的内容)。其中矩阵Y是 中⼼化的响应变量矩阵，X矩阵是中⼼化(或标准化)的解释变量矩阵。RDA中通常使⽤标准化后的解释变量，因为在很多情况下解释变量具 有不同的量纲，解释变量标准化的意义在于使典范系数的绝对值(即模型的回归系数)能够度量解释变量对约束轴的贡献，解释变量的标准化 不会改变回归的拟合值和约束排序的结果。在群落分析中，响应变量矩阵⼀般即为物种多度数据，解释变量矩阵即为环境变量数据。 (1)先将矩阵Y中的每个响应变量分别与矩阵X中的所有解释变量进⾏多元回归，通过回归模型获得每个响应变量的拟合值(fitted values， 即在回归线上对应的值)以及残差(residuals，响应变量的观测值和拟合值之间的差值)，最终得到包含所有响应变量拟合值及残差的拟合值 矩阵Ŷ以及残差矩阵Yres)。 (2)对拟合值矩阵Ŷ运⾏PCA，得到典范特征向量(eigenvectors)矩阵U。使⽤矩阵U计算两套样⽅排序得分(坐标)：⼀套使⽤中⼼化的原始 数据矩阵Y获得在原始变量Y空间内的样⽅排序坐标(即计算YU，所获得的坐标称为“样⽅得分”，即物种得分的加权和)；另⼀套使⽤拟合 值矩阵Ŷ获得在解释变量X空间内的样⽅排序坐标(即计算ŶU，所获得的坐标称为“样⽅约束”，即约束变量的线性组合)。 (3)⼀般来讲，RDA过程执⾏到上步就算完成了。但⼀般情况下我们会同时对残差矩阵Yres运⾏PCA，获得残差⾮约束排序。⾮约束轴即代 表了解释变量未能对响应变量作出解释的部分，严格地来说不属于RDA的范畴，但能够帮助我们获取更多信息。 (1)执⾏物种spe1与环境变量env1的线性回归(由于此处⽰例中仅存在⼀个环境解释变量，故此回归为⼀元线性回归；当存在多解释变量 时，即为多元线性回归)，将回归模型拟合的物种丰度值存储在拟合值矩阵，物种丰度的残差存储在残差矩阵。见下图1中所⽰的过程。 (2)如此对物种组成矩阵中的所有物种重复相同的操作，最终获得包含所有物种丰度拟合值及残差的两个矩阵。见下图2中所⽰的两个矩阵。 (1)(2)过程即形象化地展⽰了RDA中的回归细节部分。 (3)回归过程执⾏完毕后，使⽤PCA，在拟合值矩阵中提取约束的排序轴，并在残差值矩阵中提取⾮约束的轴。见下图2中所⽰的过程，在 该⽰例中，由于仅有⼀个解释变量(环境变量env1)，因此仅得到⼀个约束的排序轴(排序图中的垂直轴是第⼀个⾮约束轴)。 RDA排序结果产⽣的约束轴的数量为min[p, m, n - 1]；如果同时获得