Vegan RDA 和双标图，删除贡献 >10% 方差的值
Vegan RDA and biplot, remove values contributing >10% of variance
我正在使用 vegan 软件包进行 RDA，并想使用双标图绘制数据。在我的数据中，我有数百个值。我想做的是将方差解释为一个设定的限制，因此在下面的示例中为 0.1。所以我可能只说 8
而不是 44 个箭头
library (vegan) # Load library
library(MASS) # load library
data(varespec) # Dummy data
vare.pca <- rda(varespec, scale = TRUE) # RDA anaylsis
biplot(vare.pca, scaling = 3,display = "species") # Plot data but includes all
## extracts the percentage##
x =(sort(round(100*scores(vare.pca, display = "sp", scaling = 0)[,1]^2, 3), decreasing = TRUE))
## Plot percentage
plot(length(x):1,sort(x)) # plot rank on value of y
任何帮助将不胜感激:)
根据数据集的大小，可以使用 ordistep 或 ordiR2step 来减少图中 "unimportant" 变量的数量（参见 https://www.rdocumentation.org/packages/vegan/versions/2.4-2/topics/ordistep）。但是这些函数使用了step-wise selection，需要谨慎使用。逐步 selection 可以 select 您包含的基于 AIC 值、R2 值或 p 值的参数。它不会 select 基于这些对您的问题的重要性的价值。这也不意味着这些变量对生物体或生化相互作用有任何意义。然而，逐步 selection 可能有助于了解哪些参数可能对数据集的整体变化有很大影响。下面的简单示例。
rda0 <- rda(varespec ~1, varespec)
rda1 <- rda(varespec ~., varespec)
rdaplotp <- ordistep(rda0, scope = formula(rda1))
plot(rdaplotp, display = "species", type = "n")
text(rdaplotp, display="bp")
因此，通过使用 ordistep 函数，图中显示的物种数量已大大减少（见下图 1）。如果您想删除更多变量（我不建议这样做），一个选项可能是查看双标图的输出并丢弃与主要组件相关性最少的变量（见下文），但我会建议不要这样做。
sumrda <- summary(rdaplotp)
sumrda$biplot
明智的做法是首先检查您要回答的问题，然后看看是否可以在正手时遗漏任何包含的变量。这已经减少了数量。小修改：我也有点困惑为什么要删除对捕获的变化有很大贡献的参数。
我正在使用 vegan 软件包进行 RDA，并想使用双标图绘制数据。在我的数据中，我有数百个值。我想做的是将方差解释为一个设定的限制，因此在下面的示例中为 0.1。所以我可能只说 8
而不是 44 个箭头library (vegan) # Load library
library(MASS) # load library
data(varespec) # Dummy data
vare.pca <- rda(varespec, scale = TRUE) # RDA anaylsis
biplot(vare.pca, scaling = 3,display = "species") # Plot data but includes all
## extracts the percentage##
x =(sort(round(100*scores(vare.pca, display = "sp", scaling = 0)[,1]^2, 3), decreasing = TRUE))
## Plot percentage
plot(length(x):1,sort(x)) # plot rank on value of y
任何帮助将不胜感激:)
根据数据集的大小，可以使用 ordistep 或 ordiR2step 来减少图中 "unimportant" 变量的数量（参见 https://www.rdocumentation.org/packages/vegan/versions/2.4-2/topics/ordistep）。但是这些函数使用了step-wise selection，需要谨慎使用。逐步 selection 可以 select 您包含的基于 AIC 值、R2 值或 p 值的参数。它不会 select 基于这些对您的问题的重要性的价值。这也不意味着这些变量对生物体或生化相互作用有任何意义。然而，逐步 selection 可能有助于了解哪些参数可能对数据集的整体变化有很大影响。下面的简单示例。
rda0 <- rda(varespec ~1, varespec)
rda1 <- rda(varespec ~., varespec)
rdaplotp <- ordistep(rda0, scope = formula(rda1))
plot(rdaplotp, display = "species", type = "n")
text(rdaplotp, display="bp")
因此，通过使用 ordistep 函数，图中显示的物种数量已大大减少（见下图 1）。如果您想删除更多变量（我不建议这样做），一个选项可能是查看双标图的输出并丢弃与主要组件相关性最少的变量（见下文），但我会建议不要这样做。
sumrda <- summary(rdaplotp)
sumrda$biplot
明智的做法是首先检查您要回答的问题，然后看看是否可以在正手时遗漏任何包含的变量。这已经减少了数量。小修改：我也有点困惑为什么要删除对捕获的变化有很大贡献的参数。