library(vegan) data(dune) data(dune.env)
str(dune)
str(dune.env)
Voor de testen, zowel een continue variabele (A1) als een factorvariabele gebruiken (Management).
# rda analyse: vegan::rda() ############################ dune.rda <- rda(dune ~ A1 + Management, data = dune.env) dune.rda # constrained rank = 4 = 1 + (4-1) # unconstrained rank = 15 (er zijn in feite 20 # eigenwaarden, maar de laatste vijf eigenwaarden zijn 0)
# cca analyse: cca() ################### dune.cca <- cca(dune ~ A1 + Management, dune.env) dune.cca
# dbRDA analyse: capscale() ########################## # werkt enkel met model formula, standaard euclidische afstand dune.dbrda.bray <- capscale(dune ~ A1 + Management, data = dune.env, distance = "bray", sqrt.dist = TRUE) dune.dbrda.bray
# syntax voor een partiële analyse ################################## dune.prda <- rda(dune ~ A1 + Management + Condition(Moisture), data = dune.env)
# enkel de eigenwaarden opvragen: eigenvals(dune.rda)
# uitgebreide summary met onder andere decompositie van de variantie # en de verschillende scores head(summary(dune.rda),5)
Toegepast op de rda analyse.
# om de ordinatiescores op te vragen: scores() ############################################## # de rijscores van de eerste twee assen in standaard coördinaten # een alpha = 0 biplot of correlatie of covariantie biplot # dit zijn de rijscores met ruis rij_PC <- scores(x = dune.rda, choices = 1:2, display = "sites", scaling = "species") # de overeenkomstige kolomscores in principale coördinaten kolom_SC <- scores(x = dune.rda, choices = 1:2, display = "species", scaling = "species") # de rijscores van de eerste twee assen in principale coördinaten # een alpha = 1 biplot of form / distance biplot rij_SC <- scores(x = dune.rda, choices = 1:2, display = "sites", scaling = "sites") # de overeenkomstige kolomscores in standaard coördinaten kolom_PC <- scores(x = dune.rda, choices = 1:2, display = "species", scaling = "sites") # alternatieve rijscores: lc = linear constraints # (fitted site scores) rij_lc2 <- scores(dune.rda, display = "lc", scaling = "species", choices=1:2) rij_lc1 <- scores(dune.rda, display = "lc", scaling = "sites", choices=1:2) # scores voor verklarende variabelen # bp = biplot arrows (met factor variabelen als dummies, # één minder dan aantal levels) env_bp <- scores(dune.rda, display = "bp", choices=1:2) # centroiden voor factorvariabelen # (voor alle levels van de factor) env_cn <- scores(dune.rda, display = "cn", choices=1:2)
par(mfrow = c(1,2)) plot(rij_PC, main = "rows, principal coord.\n site scores") plot(kolom_SC, main = "columns, standard coord.")
par(mfrow = c(1,2)) plot(rij_lc2, main = "rows, principal coord.\n fitted (lc) scores") plot(kolom_SC, main = "columns, standard coord.")
par(mfrow = c(1,2)) plot(rij_SC, main = "rows, standard coord.\n site scores") plot(kolom_PC, main = "columns, principal coord.")
par(mfrow = c(1,2)) plot(rij_lc1, main = "rows, standard coord.\n fitted (lc) scores") plot(kolom_PC, main = "columns, principal coord.")
par(mfrow = c(1,2)) plot(env_bp, main = "posities van pijlpunten") plot(env_cn, main = "centroïden")
Iets duidelijker via plot van het rda model.
par(mfrow = c(1,2)) plot(dune.rda, display = "bp") plot(dune.rda, display = "cn")
Om het gecombineerd gedrag te bekomen (zowel pijlen als centroiden voor respectievelijk continue en factor variabelen), moet je display = c("bp", "cn") gebruiken.
par(mfrow = c(1,2)) plot(dune.rda, display = c("bp", "cn")) plot(dune.rda, display = "cn")
zie ?plot.cca:
plot(x, choices = c(1, 2), display = c("sp", "wa", "cn"), scaling = "species", type, xlim, ylim, const, correlation = FALSE, hill = FALSE, ...)
Standaard is scaling = "species" en dat lijkt me ook het beste. De fitted (lc) scores worden standaard niet getoond, dat lijkt me ook een goede instelling.
plot(dune.rda)
plot(dune.cca)
plot(dune.dbrda.bray)
plot(dune.prda)
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.