如何解释cca素食主义者的输出

Question

我使用纯素包在R中进行了规范的对应分析,但我发现输出很难理解.triplot是可以理解的,但是我从摘要中得到的所有数字(cca)都让我感到困惑(因为我刚开始学习圣职任命技术)我想知道Y中的多少方差是由X(在这种情况下,环境变量)以及哪个独立变量在此模型中很重要？

我的输出看起来像这样:

Partitioning of mean squared contingency coefficient:
              Inertia Proportion
Total           4.151     1.0000
Constrained     1.705     0.4109
Unconstrained   2.445     0.5891

Eigenvalues, and their contribution to the mean squared contingency coefficient 

Importance of components:
                        CCA1   CCA2    CCA3    CCA4    CCA5    CCA6      CCA7
Eigenvalue            0.6587 0.4680 0.34881 0.17690 0.03021 0.02257 0.0002014
Proportion Explained  0.1587 0.1127 0.08404 0.04262 0.00728 0.00544 0.0000500
Cumulative Proportion 0.1587 0.2714 0.35548 0.39810 0.40538 0.41081 0.4108600

                         CA1    CA2     CA3     CA4     CA5     CA6     CA7
Eigenvalue            0.7434 0.6008 0.36668 0.33403 0.28447 0.09554 0.02041
Proportion Explained  0.1791 0.1447 0.08834 0.08047 0.06853 0.02302 0.00492
Cumulative Proportion 0.5900 0.7347 0.82306 0.90353 0.97206 0.99508 1.00000

Accumulated constrained eigenvalues

Importance of components:
                        CCA1   CCA2   CCA3   CCA4    CCA5    CCA6      CCA7
Eigenvalue            0.6587 0.4680 0.3488 0.1769 0.03021 0.02257 0.0002014
Proportion Explained  0.3863 0.2744 0.2045 0.1037 0.01772 0.01323 0.0001200
Cumulative Proportion 0.3863 0.6607 0.8652 0.9689 0.98665 0.99988 1.0000000

Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions

Species scores

                 CCA1     CCA2    CCA3      CCA4      CCA5       CCA6
S.marinoi     -0.3890  0.39759  0.1080 -0.005704 -0.005372 -0.0002441
C.tripos       1.8428  0.23999 -0.1661 -1.337082  0.636225 -0.5204045
P.alata        1.6892  0.17910 -0.3119  0.997590  0.142028  0.0601177
P.seriata      1.4365 -0.15112 -0.8646  0.915351 -1.455675 -1.4054078
D.confervacea  0.2098 -1.23522  0.5317 -0.089496 -0.034250  0.0278820
C.decipiens    2.2896  0.65801 -1.0315 -1.246933 -0.428691  0.3649382
P.farcimen    -1.2897 -1.19148 -2.3562  0.032558  0.104148 -0.0068910
C.furca        1.4439 -0.02836 -0.9459  0.301348 -0.975261  0.4861669

Biplot scores for constraining variables

                CCA1    CCA2     CCA3     CCA4     CCA5     CCA6
Temperature  0.88651  0.1043 -0.07283 -0.30912 -0.22541  0.24771
Salinity     0.32228 -0.3490  0.30471  0.05140 -0.32600  0.44408
O2          -0.81650  0.4665 -0.07151  0.03457  0.20399 -0.20298
Phosphate    0.22667 -0.8415  0.41741 -0.17725 -0.06941 -0.06605
TotP        -0.33506 -0.6371  0.38858 -0.05094 -0.24700 -0.25107
Nitrate      0.15520 -0.3674  0.38238 -0.07154 -0.41349 -0.56582
TotN        -0.23253 -0.3958  0.16550 -0.25979 -0.39029 -0.68259
Silica       0.04449 -0.8382  0.15934 -0.22951 -0.35540 -0.25650

所有这些数字对我的分析都很重要？/安娜

Answer 1

解释了多少变化X？

在CCA中,方差不是正常意义上的方差.我们将其表示为"均方应变系数"或"惯性".您需要的所有信息,以确定Y中的"变化"由X解释,包含在我在下面重现的输出部分中:

Partitioning of mean squared contingency coefficient:
              Inertia Proportion
Total           4.151     1.0000
Constrained     1.705     0.4109
Unconstrained   2.445     0.5891

在这个例子中,有总惯性4.151和你的X变量(这些是"约束")解释了总共1.705位的惯性,约为41%,剩下约59%的原因不明.

下一节涉及特征值允许您在惯性解释和比例解释中看到哪些轴对CCA(Constrained上表中的部分)的解释性"功率" 和未解释的"方差"(Unconstrained部分上表.

下一节包含排序分数.将这些视为triplot中各点的坐标.出于某种原因,您在上面的输出中显示了网站分数,但它们通常会在那里.请注意,这些已经缩放 - 默认情况下这是使用scaling = 2- 因此站点点数是物种分数IIRC等的加权平均值.

"Biplot"分数是箭头的位置或箭头上的标签 - 我完全忘记了如何绘制情节.

所有这些数字对我的分析都很重要？

所有这些都很重要 - 如果你认为三重时间是重要的可解释的,它完全基于报告的信息summary().如果您对数据有特定的问题,那么可能只有某些部分对您来说至关重要.

但是,StackOverflow不是提出统计性问题的地方.