随着时间的推移,去趋势对应分析是否可能?
Is a Detrended Correspondance Analysis over time possible?
我有一个数据集,其中包含 存在-不存在物种数据 在几个不同的地点测量。数据是在 10 年的跨度内测量的。许多站点在一年内进行了多次测量。测量频率不是恒定的,也不是所有站点都测量了几次,有些甚至只测量了一次。
我知道经典的去趋势对应分析在这里没有帮助,因为它没有考虑辅因子时间。有什么方法可以把所有的采样点都包括进来,或者有什么其他的对应分析方法在这里有用吗?
非常感谢您的帮助!
如果你想估计时间效应或将其部分排除,是的,但在 vegan 中不行。 Canoco 去除了典型对应分析 (DCCA) 的趋势,这是 DCA 的约束形式,但素食主义者没有,也不太可能拥有它。
没有什么能阻止您将所有样本放入 DCA 中,您只是无法消除时间效应。
或者,选择合适的相异系数并通过 vegan 的包装器使用 NMDS metaMDS()
。这将为您提供类似 DCA 的分析。如果您想考虑时间效应,那么使用相同的差异性将 dbrda()
作为一种选择。
我有一个数据集,其中包含 存在-不存在物种数据 在几个不同的地点测量。数据是在 10 年的跨度内测量的。许多站点在一年内进行了多次测量。测量频率不是恒定的,也不是所有站点都测量了几次,有些甚至只测量了一次。
我知道经典的去趋势对应分析在这里没有帮助,因为它没有考虑辅因子时间。有什么方法可以把所有的采样点都包括进来,或者有什么其他的对应分析方法在这里有用吗?
非常感谢您的帮助!
如果你想估计时间效应或将其部分排除,是的,但在 vegan 中不行。 Canoco 去除了典型对应分析 (DCCA) 的趋势,这是 DCA 的约束形式,但素食主义者没有,也不太可能拥有它。
没有什么能阻止您将所有样本放入 DCA 中,您只是无法消除时间效应。
或者,选择合适的相异系数并通过 vegan 的包装器使用 NMDS metaMDS()
。这将为您提供类似 DCA 的分析。如果您想考虑时间效应,那么使用相同的差异性将 dbrda()
作为一种选择。