原文鏈接：http://tecdat.cn/?p=25564?

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

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)多樣性做了數(shù)據(jù)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。

1. ste <- read.csv("sr.csv")

2. ev <- read.csv("ev.csv")

3. 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。

1. enqut<- cbind(ev[,-5],ap)

2. enz <- scale

3. ut <- env[,5]

4. 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。

1. par

2. plot

3. points

4. usc <- scores

5. points

6. 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。

1. 


2. head(suda)

?

1. # ?獲得R^2和調(diào)整后的R^2

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。

1. 


2. 


3. 


4. # 做好繪圖空間

5. par

6. plot

7. # 繪制站點(diǎn)的分?jǐn)?shù)

8. spc <- scores

9. points

10. 


11. # 繪制出物種的點(diǎn)數(shù)

12. ssc <- scores

13. points

14. 


15. # 繪制定量解釋變量的箭頭和它們的標(biāo)簽

16. spesc <- scores

17. arrows

18. env.names

19. text

20. 


21. # 繪制地貌單元中心點(diǎn)和它們的標(biāo)簽的繪圖點(diǎn)

22. spsc <- scores

23. points

24. text

論文圖形

這是為論文制作圖形的代碼。

1. 


2. 


3. par

4. ensc <- scores

5. arrows

6. points

7. 


8. # 制作繪圖空間

9. par

10. plot

11. abline

12. mtext

13. 


14. # 繪制站點(diǎn)的分?jǐn)?shù)

15. spsc <- scores

16. points

17. 


18. # 繪制出物種的點(diǎn)數(shù)

19. sp.sc <- scores

20. points

21. 


22. # 繪制定量解釋變量的箭頭和它們的標(biāo)簽

23. spsc <- scores

24. arrows

25. text

26. 


27. # 繪制地貌單元中心點(diǎn)和它們的標(biāo)簽的繪圖點(diǎn)

28. unimes

29. spusc <- scores

30. points

31. text

最受歡迎的見(jiàn)解

1.matlab偏最小二乘回歸(PLSR)和主成分回歸(PCR)

2.R語(yǔ)言高維數(shù)據(jù)的主成分pca、 t-SNE算法降維與可視化分析

3.主成分分析(PCA)基本原理及分析實(shí)例

4.基于R語(yǔ)言實(shí)現(xiàn)LASSO回歸分析

5.使用LASSO回歸預(yù)測(cè)股票收益數(shù)據(jù)分析

6.r語(yǔ)言中對(duì)lasso回歸，ridge嶺回歸和elastic-net模型

7.r語(yǔ)言中的偏最小二乘回歸pls-da數(shù)據(jù)分析

8.r語(yǔ)言中的偏最小二乘pls回歸算法

9.R語(yǔ)言線性判別分析（LDA），二次判別分析（QDA）和正則判別分析（RDA）