為什么hclust在r中給出的簇與pvclust不同？

Question

我試圖在以下數據集上獲取用於層次聚類分析的p值。pvclust和hclust生成的樹狀圖完全不同。由於pvclust提到它們使用與hclust相同的方法，因此應該相同。

require(vegan) 
test

  S1 S2 S3 S4 S5 S6 S7 S8 S9 S10
1  1  1  1  1  1  1  0  1  1   0
2  0  0  1  0  0  0  0  0  0   0
3  1  0  0  1  1  0  0  0  1   1
4  1  0  1  0  1  1  0  1  0   1
5  0  1  0  1  0  0  0  0  1   0
6  1  0  1  0  1  1  0  0  0   1
7  1  1  0  1  0  0  1  0  1   0
8  1  1  0  1  0  1  1  0  1   0
9  1  0  1  0  1  1  0  1  0   0

div.norm=decostand(test,"normalize")
div.ch=vegdist(div.norm,"bray")
div.ch.UPGMA=hclust(div.ch,method = "average")
plot(div.ch.UPGMA)

這將生成以下樹狀圖： 使用hclust進行聚類然后，我嘗試使用pvclust運行相同的數據集。

require(pvclust)
test.tr=t(test)
result=pvclust(test.tr, method.dist="cor", method.hclust="average", nboot=1000)
plot(result)

我得到以下樹狀圖，它不同於hclust生成的樹狀圖。 使用pvclust進行群集

有些人建議我不要轉置數據。 但這會產生一個樹狀圖，其中的列是聚集的（我不想要這樣）。

任何幫助將不勝感激！

Answer 1

您正在使用的層次集群的pvclust實現依賴於引導重采樣。 這引入了一定程度的隨機性， pvclust運行之間可能會得到不同的結果，因此您應該期望它與hclust 。

此外，在運行pvclust ，您可能已經注意到了一些相當嚴重的警告：

 Bootstrap (r = 0.5)... Done. Bootstrap (r = 0.6)... Done. Bootstrap (r = 0.7)... Done. Bootstrap (r = 0.8)... Done. Bootstrap (r = 0.9)... Done. Bootstrap (r = 1.0)... Done. Bootstrap (r = 1.1)... Done. Bootstrap (r = 1.2)... Done. Bootstrap (r = 1.3)... Done. Bootstrap (r = 1.4)... Done. Warning messages: 1: inappropriate distance matrices are omitted in computation: r = 0.5 2: inappropriate distance matrices are omitted in computation: r = 0.6 3: inappropriate distance matrices are omitted in computation: r = 0.7 4: inappropriate distance matrices are omitted in computation: r = 0.8 5: inappropriate distance matrices are omitted in computation: r = 0.9 6: inappropriate distance matrices are omitted in computation: r = 1 7: inappropriate distance matrices are omitted in computation: r = 1.1 8: inappropriate distance matrices are omitted in computation: r = 1.2 9: inappropriate distance matrices are omitted in computation: r = 1.3 10: inappropriate distance matrices are omitted in computation: r = 1.4 

由於pvclust每個迭代都具有無法使用的距離矩陣，因此應謹慎解釋結果，這可能會使它們無效並對其進行重大更改。