r - 如何解释cca素食主义者的输出

Question

我已经使用素食主义者包在R中进行了规范的对应分析，但是我发现输出很难理解。三重奏是可以理解的，但是我从summary(cca)获得的所有数字都让我感到困惑(因为我刚刚开始学习协调技术)
我想知道X解释了Y的多少方差(在这种情况下为环境变量)，以及该模型中哪些重要的自变量？

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

所有这些数字中哪些对我的分析很重要？
/安娜

Answer 1

X解释了多少变化？

在CCA中，方差不是正常意义上的方差。我们将其表示为“均方根或有系数”或“惯性”。您需要确定X解释Y的多少“变化”的所有信息都包含在我下面复制的输出部分中:

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

在此示例中，总惯量为4.151，您的X变量(这些为“约束”)解释了总共1.705位的惯性，大约为41％，有约59％无法解释。

下一部分涉及特征值的部分使您可以从解释的惯性和解释的比例两方面查看哪些轴对CCA的解释“功效”(上表的 Constrained部分)和未解释的“方差”( Unconstrained)有重大贡献上表的一部分。

下一部分包含协调分数。可以将它们视为三坐标图中的点的坐标。由于某种原因，您在上面的输出中显示了站点分数，但通常会在其中。请注意，这些值已按比例缩放-默认情况下使用 scaling = 2-因此站点点位于物种得分IIRC等的加权平均值。

“Biplot”分数是箭头或箭头上的标签的位置-我忘记了现在如何绘制该图。

所有这些数字中哪些对我的分析很重要？

所有这些都很重要-如果您认为三重奏很重要且可以解释，那么它完全基于 summary()报告的信息。如果您有关于数据的特定问题，那么也许只有某些部分对您至关重要。

但是，StackOverflow并不是问这类具有统计性​​质的问题的地方。