Je ne l'ai jamais vu PRIMER et je ne peux pas commenter sur les différences entre végétalien et PRIMER, mais je peux vous expliquer comment nous travaillons dans végétalien.
Si vous pensez aux scores d'espèces de variables environnementales ajustées comme des flèches, il y a deux aspects distincts: la direction et la longueur. D'abord sur la direction de la flèche.
En général, les flèches ne sont pas parallèles aux axes, mais elles pointent vers la direction à laquelle l'espèce ou la variable environnementale change le plus rapidement. Les directions des flèches peuvent être trouvées à partir du modèle linéaire lm(y ~ Ax1 + Ax2)
. Si y
est une espèce, cela donne la flèche pour le score de l'espèce, et si y
est une variable environnementale, ceci donne un vecteur ajusté. Corréler des espèces avec des axes implique deux modèles distincts lm(y ~ Ax1)
et lm(y ~ Ax2)
. Le modèle végétalien définit une surface de tendance linéaire et le modèle d'axe définit deux surfaces de tendance linéaires distinctes avec chacune un gradient le plus raide le long d'un axe. L'exemple suivant montre comment le modèle linéaire lié aux scores des espèces en PCA dans végétalien:
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)
La fonction envfit
ajoute des flèches qui pointent vers la même direction que les scores des espèces et ordisurf
ajoute surface de tendance linéaire (knots = 1
) à Cladstel
. Les isoclines de la surface de tendance linéaire sont équidistantes et perpendiculaires à la flèche. La projection des unités d'échantillonnage à la flèche donne l'abondance prédite de l'espèce dans cette solution bidimensionnelle.L'interprétation des scores d'espèces est similaire dans RDA, mais là vous devez vous rappeler d'utiliser des scores de combinaison linéaire (display="lc"
), et dans CCA vous devez vous rappeler d'utiliser la régression pondérée (envfit
et ordisurf
prendre soin de cela automatiquement, mais avec lm
ou autre non - végétalien outils dont vous avez besoin de poids explicites).
Cette approche n'est pas facilement modifiée pour utiliser des corrélations de rang. Pour les rangs, vous devez projeter des points (unités d'échantillonnage) sur une séquence univariée. Souvent, les gens projettent sur des axes (c'est-à-dire qu'ils corrèlent des axes avec des espèces). Cependant, une meilleure corrélation sera trouvée si nous trouvons une ligne traversant l'origine qui donne la meilleure corrélation de rang lorsque des unités d'échantillonnage sont projetées dessus pour des rangs (si une ligne unique, ou un secteur contenant des lignes, existe). Ce serait similaire à notre approche de trouver la direction du changement le plus raide dans la surface de la tendance linéaire. Ceci est facilement fait avec l'espace euclidien, comme tous les espaces d'ordination sont, mais pas avec des rangs de projections.
L'hypothèse de surface de tendance linéaire est assez simpliste. C'est le modèle pour les espèces dans PCA et RDA, et c'est le modèle pour les contraintes dans RDA et là il montre comment l'analyse voit vos données (rappelez-vous les scores "lc"
!). Cependant, avec d'autres variables et avec d'autres méthodes d'ordination, des modèles de réponse plus complexes sont souvent plus adéquats. Ceux-ci peuvent être ajustés [ted] en utilisant ordisurf
avec knots
> 1.
Puis sur les longueurs des flèches, ou les distances des scores d'espèces à partir de l'origine. La fonction envfit()
trouve la direction correcte, mais elle met à l'échelle la longueur de la flèche par le coefficient de corrélation. En PCA et RDA, nous avons plusieurs options de mise à l'échelle alternatives: voir la description longue de scaling
et correlation
en ?scores.cca
. L'échelle par défaut (correlation = FALSE
) fait que les flèches sont proportionnelles au changement absolu de l'abondance des espèces. Autrement dit, les espèces abondantes peuvent changer beaucoup et peuvent avoir de longues flèches, mais les espèces rares peuvent seulement changer un peu et avoir toujours des flèches courtes. C'est un changement absolu, pas un changement relatif. Avec correlation = TRUE
, les longueurs des flèches sont proportionnelles au changement relatif et seront similaires à la mise à l'échelle par les corrélations utilisées dans envfit
. Encore une fois, étudiez le manuel pour plus de détails (?scores.cca
).
** Si vous n'obtenez pas de réponse ici après un délai raisonnable, vous pouvez essayer de poster (avec un lien vers cette question) à r-sig-ecology @ r-project.org' ... –
Je voudrais commenter, mais écrire la réponse prend beaucoup de temps ... Cela nécessite un long commentaire. –
Des commentaires récents sur https://github.com/vegandevs/vegan/issues/254 Je comprends qu'il y a des pièges potentiels et des complications sérieuses concernant l'utilisation de corrélations d'axe d'espèce - d'où la raison pour laquelle cela n'est pas utilisé dans R végétalien. Il semble que les corrélations d'ordres de rang souffrent des mêmes complications imposées par la distance non euclidienne dans l'espace d'ordination, comme détaillé https://stackoverflow.com/questions/46531969/vegan-dbrda-species-scores-are-empty-despite- matrice communautaire fournie pour les scores des espèces végétaliennes «dbrda». Dans l'attente des commentaires des utilisateurs de PRIMER sur les corrélations. –