In inbo/inboggvegan: GGplot functions

Data

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

# 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 analyse: cca()
###################
dune.cca <- cca(dune ~ A1 + Management, dune.env)
dune.cca

dbRDA analyse

# 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

# syntax voor een partiële analyse
##################################
dune.prda <- rda(dune ~ A1 + Management + Condition(Moisture), data = dune.env)

functies die werken voor rda, cca en capscale objecten

Eigenwaarden opvragen

# enkel de eigenwaarden opvragen:
eigenvals(dune.rda) 

Uitgebreide summary

# uitgebreide summary met onder andere decompositie van de variantie
# en de verschillende scores
head(summary(dune.rda),5)

Gebruik van scores() om de ordinatiescores op te vragen

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)

scaling = "species" (= 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.")

scaling = "sites" (= 1)

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.")

Biplot arrows and centroids for constraints

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")

Plotfuncties van vegan

zie ?plot.cca:

S3 method for class '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.

Standaard vegan plot voor rda analyse

plot(dune.rda)

Standaard vegan plot voor cca analyse

plot(dune.cca)

Standaard vegan plot voor dbRDA analyse

plot(dune.dbrda.bray)

Standaard vegan plot voor partiële rda analyse

plot(dune.prda)

inbo/inboggvegan documentation built on July 31, 2023, 6:51 p.m.