全文下載鏈接：http://tecdat.cn/?p=25564

最近我們被客戶要求撰寫關(guān)于冗余分析（RDA）的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

冗余分析（redundancy analysis，RDA）是一種回歸分析結(jié)合主成分分析的排序方法，也是多因變量（multiresponse）回歸分析的拓展。從概念上講，RDA是因變量矩陣與解釋變量之間多元多重線性回歸的擬合值矩陣的PCA分析

本報(bào)告對(duì)植物生態(tài)多樣性數(shù)據(jù)做了分析。

冗余分析

首先，加載數(shù)據(jù)。

要加載數(shù)據(jù)，所有文件都必須在工作目錄中。

ste?<-?read.csv("sr.csv") ev?<-?read.csv("ev.csv") as?<-?read.csv("as.csv")

我對(duì)數(shù)據(jù)做了一些修改。首先，我將?ev?數(shù)據(jù)的所有定量變量（即除地貌單元外的所有變量）與?as?數(shù)據(jù)組合成一個(gè)名為?enqut. 然后，我對(duì)數(shù)據(jù)進(jìn)行了歸一化，?允許非常不同單位的變量之間進(jìn)行比較。最后，我在歸一化的定量環(huán)境變量中添加了地貌單元列，創(chuàng)建數(shù)據(jù)框?era，用于冗余分析。

enqut<-?cbind(ev[,-5],ap) enz?<-?scale ut?<-?env[,5]era<-?data.frame

結(jié)構(gòu)數(shù)據(jù)

我使用環(huán)境數(shù)據(jù)era?作為解釋變量對(duì)植被結(jié)構(gòu)進(jìn)行了冗余分析。我將結(jié)果分配給對(duì)象?str。

summary(str)

然后我得到了這個(gè)分析的 R 方和調(diào)整后R 方。

RsquareAdj

RsqeAdj$adj.r.sqd

制作三序圖。

par plot points usc?<-?scores points text

成分?jǐn)?shù)據(jù)

首先我加載了物種數(shù)據(jù)。同樣，該文件?PAl.csv?必須在工作目錄中。為了降低大豐度的重要性，我將 Hellinger 轉(zhuǎn)換應(yīng)用于物種數(shù)據(jù)。

sp?<-?Hellinger(sp)

然后我使用所有環(huán)境變量作為解釋變量進(jìn)行了冗余分析。

head(suda)

#??獲得R^2和調(diào)整后的R^2(sR2?<-?RseAdj

(spdj?<-?RseAdj$adj.r.sed)

以2型標(biāo)尺 對(duì)物種數(shù)據(jù)制作 RDA三序圖。

#?做好繪圖空間par plot#?繪制站點(diǎn)的分?jǐn)?shù)spc?<-?scores points#?繪制出物種的分?jǐn)?shù)ssc?<-?scores points#?繪制定量解釋變量的箭頭和它們的標(biāo)簽spesc?<-?scores arrows env.names? text#?繪制地貌單元中心點(diǎn)和它們的標(biāo)簽的繪圖點(diǎn)spsc?<-?scores points text

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

生態(tài)學(xué)建模：增強(qiáng)回歸樹（BRT）預(yù)測(cè)短鰭鰻生存分布和影響因素

左右滑動(dòng)查看更多

01

02

03

04

論文圖形

這是為論文制作圖形的代碼。

par ensc?<-?scores arrows points#?制作繪圖空間par plot abline mtext#?繪制站點(diǎn)的分?jǐn)?shù)spsc?<-?scores points#?繪制出物種的分?jǐn)?shù)sp.sc?<-?scores points#?繪制定量解釋變量的箭頭和它們的標(biāo)簽spsc?<-?scores arrows text#?繪制地貌單元中心點(diǎn)和它們的標(biāo)簽的繪圖點(diǎn)unimes? spusc?<-?scores points text

本文摘選?《?R語言數(shù)量生態(tài)學(xué)冗余分析RDA分析植物多樣性物種數(shù)據(jù)結(jié)果可視化?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

主成分分析PCA譜分解、奇異值分解SVD預(yù)測(cè)分析運(yùn)動(dòng)員表現(xiàn)數(shù)據(jù)和降維可視化
用回歸和主成分分析PCA 回歸交叉驗(yàn)證分析預(yù)測(cè)城市犯罪率數(shù)據(jù)
PCA(主成分分析)，CA(對(duì)應(yīng)分析)夫妻職業(yè)差異和馬賽克圖可視化用回歸和主成分分析PCA 回歸交叉驗(yàn)證分析預(yù)測(cè)城市犯罪率數(shù)據(jù)
R語言k-means聚類、層次聚類、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集
R語言有限混合模型(FMM,finite mixture model)EM算法聚類分析間歇泉噴發(fā)時(shí)間
R語言用溫度對(duì)城市層次聚類、kmean聚類、主成分分析和Voronoi圖可視化Python用稀疏、高斯隨機(jī)投影和主成分分析PCA對(duì)MNIST手寫數(shù)字?jǐn)?shù)據(jù)進(jìn)行降維可視化
R語言主成分分析（PCA）葡萄酒可視化：主成分得分散點(diǎn)圖和載荷圖
R語言用主成分PCA、?邏輯回歸、決策樹、隨機(jī)森林分析心臟病數(shù)據(jù)并高維可視化
R語言高維數(shù)據(jù)的主成分pca、 t-SNE算法降維與可視化分析案例報(bào)告python主題建?？梢暬疞DA和T-SNE交互式可視化
python主題LDA建模和t-SNE可視化
R語言高維數(shù)據(jù)的主成分pca、t-SNE算法降維與可視化分析案例報(bào)告
維度規(guī)約（降維）算法在WEKA中應(yīng)用
使用Python和Keras進(jìn)行主成分分析、神經(jīng)網(wǎng)絡(luò)構(gòu)建圖像重建
R語言中的嶺回歸、套索回歸、主成分回歸：線性模型選擇和正則化