R素食主義者的物種分數與Primer Spearman物種與軸的等級相關性有什么區別？

Question

在諸如CAP或dbRDA類的受約束排序分析中，研究人員通常想知道多少差異是由特定物種引起的。 在Primer PERMANOVA ，物種與軸的Spearman rank或Pearson correlations是一種選擇，當使用CAP或RDA時，該估計可提供表征物種組合之間變異的物種估計。 在R中， vegan提供了一種不同的衡量標准，即物種得分，可以計算出來， 但必須仔細考慮潛在的缺點 https://github.com/vegandevs/vegan/issues/254#issuecomment-334071917 。 盡管使用capscale， 盡管提供了社區矩陣 ， 但純素食主義者dbrda物種得分還是空的 。

我想更好地了解Primer PERMANOVA如何計算相關性和物種分數。 首先，這些方法旨在顯示什么真正的區別？ 使用Spearman或Pearson correlations對於R- vegan物種評分有什么好處和缺點？ 在Primer中計算物種與軸之間的相關性的方法是否遇到上述問題中有關R中capscale或dbrda物種得分的類似問題？ 在Primer中，社區矩陣和坐標軸用於計算它們之間的相關性的變量是什么？ 這些是原始數據還是轉換后的數據？ 最后，如果相關方法比R中的物種得分更好地估計了物種引起組合之間差異的相對量，那么這是否可以視為R素食主義者物種得分的替代選擇？

Answer 1

我從未見過PRIMER ，也無法評論純素食主義者與PRIMER之間的區別，但我可以解釋一下我們在純素食主義者中的工作方式。

如果將擬合的環境變量的物種得分視為箭頭，則有兩個不同的方面：方向和長度。 首先關於箭頭的方向。

通常，箭頭不平行於軸，但它們指向物種或環境變量變化最快的方向。 箭頭的方向可以從線性模型lm(y ~ Ax1 + Ax2) 。 如果y是一個物種，則給出物種得分的箭頭；如果y是環境變量，則給出擬合的向量。 將物種與軸相關聯意味着兩個單獨的模型lm(y ~ Ax1)和lm(y ~ Ax2) 。 素食主義者模型定義線性趨勢面，軸模型定義兩個單獨的線性趨勢面，每個線性趨勢面沿一個軸的坡度最大。 以下示例顯示了線性模型與素食主義者 PCA中物種得分的關系：

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)

所述envfit函數將指向相同的方向物種的分數箭頭和ordisurf增加線性（ knots = 1 ）趨勢面到Cladstel 。 線性趨勢面的等角線等距且垂直於箭頭。 將采樣單位投影到箭頭會在此二維解決方案中給出預測的物種豐度。 在RDA中，物種得分的解釋類似，但是您必須記住使用線性組合得分（ display="lc" ），而在CCA中，您必須記住使用加權回歸（ envfit和ordisurf會自動進行加權，但是lm或其他非素食工具，則需要明確的權重）。

這種方法不容易更改為使用秩相關。 對於等級，您需要將點（采樣單位）投影到單變量序列。 人們通常在軸上投射（即，他們將軸與物種相關聯）。 但是，如果我們通過原點找到一條線，當將采樣單位投影到等級上時（如果存在唯一的線或包含線的扇區），則可以找到更好的等級相關性。 這將類似於我們在線性趨勢面中找到最大變化方向的方法。 像所有素食主義者協調空間一樣，這是使用歐幾里得空間很容易完成的，但是不使用投影等級。

線性趨勢面的假設非常簡單。 它是PCA和RDA中物種的模型，並且是RDA中約束的模型，它在那里顯示了分析如何看待您的數據（請記住"lc"得分！）。 但是，對於其他變量和其他排序方法，更復雜的響應模型通常更合適。 可以使用ordisurf knots > 1來擬合它們。

然后大約箭的長度，或物種從原點的距離得分。 envfit()函數可以找到正確的方向，但是可以通過相關系數來縮放箭頭的長度。 在PCA和RDA中，我們有幾個替代的縮放選項：請參見?scores.cca有關scaling和correlation詳細說明。 默認的（ correlation = FALSE ）縮放比例使箭頭與物種豐度的絕對變化成比例。 也就是說，豐富的物種可以改變很多，並且可以具有長箭頭，而稀有物種可以只改變一點並且總是具有短箭頭。 這是絕對的變化，而不是相對的變化。 如果correlation = TRUE ，則箭頭的長度與相對變化成比例，並且將類似於envfit使用的相關關系進行縮放。 同樣，請閱讀手冊以獲取詳細信息（ ?scores.cca ）。

Answer 2

請在下方看到Marti Anderson回復有關上述問題的電子郵件的非常有用的回復-已獲得她的許可：

親愛的菲利普，

感謝您對所有這些方法及其解釋的信息和關注。 我不會評論在純素食主義者中實現的基於R的東西，因為毫無疑問，Jari能夠做到這一點，但是我很樂於評論在PRIMER / PERMANOVA軟件中實現的原始排名（或Perason）相關向量。 首先，讓我強調一下，這些旨在用作探索工具。 很簡單，它們所做的只是顯示單個物種（或其他變量）與排序軸的原始（或多個）相關性。 需要注意兩個重要的注意事項，或在此處需要注意。 首先，他們最強調的是沒有直接告訴您任何物種在dbRDA（或nMDS或PCO或您所談論的任何協調軸）中所看到的驅動模式中所起的特定作用。 它們之所以不能這樣做，是因為它們是根據事實繪制的，而且眾所周知，原始物種變量與排序軸之間的關系在很多情況下根本就不會是線性的（甚至是單調的）。 （通常）在某些選定的差異度量（例如BC或Jaccard等）的空間中進行排序。 出於多種原因，這是適當的（我確信您已經知道，並且我不會繼續討論）。 要查看諸如dbRDA（或任何其他排序）之類的受約束排序空間中單個物種的模式，我建議您使用氣泡圖，它是一種更加精細的工具，可用於可視化模式。 （順便說一下，在PRIMER 7中，您可以通過這種方式疊加分段的氣泡圖以同時可視化一組物種的模式。氣泡圖的優勢在於，對於任何給定的物種，氣泡圖都能夠顯示可能是發生，包括組間的階躍變化，跨因子的潛在相互作用，沿梯度的單峰或多峰模式等。現在，使用秩（或Pearson）相關向量具有能夠一次繪制大量物種的優勢。 ，但與之相比，它們顯然是一個鈍器，因為它們只能很好地顯示那些與排序軸可能具有增加或減少的關系的物種，而這些坐標通常不是全部，但它們的用途尤其是在CAP中設置，其中專門繪制了軸以最大化組差異。在這種情況下，組在圖上是分開的，因此具有較長軸的物種在這些圖上繪制為增加或減少 通常將對應於表征群體差異的那些物種。 但是，即使在CAP示例中，有時組差異也是由於通過不相似性度量同時（多變量）同時作用的整個（次要）物種集合的成分變化引起的，對於任何一個這些物種在獨立和單獨考慮時。

好吧，我確實希望我能在這里幫助澄清一些問題。 上面所有這些的結果是，將這些向量放到您可能選擇的任何排序圖上都沒有問題，但是它們是一種啟發式的和后驗的練習，而不是基於差異的那種環境中的確定性或診斷性工具，他們只表現出某種關系。 其他工具（例如氣泡圖或分段氣泡圖）將具有更豐富的有關單個物種模式的信息內容。

希望以上內容對您有所幫助！ 親切的問候，瑪蒂·安德森