R vegan 物种分数和 Primer Spearman 物种与轴的等级相关性之间有什么区别？

Question

在受限排序分析中，例如CAP 或dbRDA，研究人员经常想知道有多少不同之处归因于特定物种。在Primer PERMANOVA、Spearman rank 或Pearson correlations 中，物种到轴是一个选项，它提供了在使用 CAP 或 RDA 时表征物种组合之间变异的物种估计值。在 R 中，vegan 提供了一种不同的度量，称为物种分数，可以计算出 但必须仔细考虑潜在的缺点 https://github.com/vegandevs/vegan/issues/254#issuecomment-334071917。 和 vegan dbrda species scores are empty despite community matrix provided，使用 capscale 时。

我想更好地了解Primer PERMANOVA 中的相关性和物种分数是如何计算的。首先，这些方法旨在显示的内容是否存在真正的差异？使用Spearman 或Pearson correlations 相对于R-vegan 的物种分数有什么好处和缺点？ Primer 中计算物种与轴相关性的方法是否存在与上述 R 中 capscale 或 dbrda 中物种分数的链接中详述的类似问题？在 Primer 中，社区矩阵和轴中使用哪些变量来计算它们之间的相关性？这些是原始数据还是转换后的数据？最后，如果相关方法比 R 中的物种分数更能估计物种导致组合之间差异的相对数量，那么这是否应该被视为 R vegan 物种分数的替代方法？

Answer 1

请参阅下面 Marti Anderson 对与上述问题相关的电子邮件的非常有用的回复 - 经她许可复制：

亲爱的菲利普，

感谢您的信息和对所有这些方法及其解释的兴趣。 我不会评论在 vegan 中实现的基于 R 的东西，因为毫无疑问 Jari 最能做到这一点，但我很乐意评论在 PRIMER/PERMANOVA 软件中实现的原始等级（或 Perason）相关向量. 首先，让我强调这些旨在成为一种探索性工具。很简单，他们所做的只是显示单个物种（或其他变量）与排序轴的原始（或多重）相关性。这里有两个重要的使用注意事项或需要注意的重要事项。首先，他们最强调没有直接告诉你任何关于个别物种可能在 dbRDA（或 nMDS 或 PCO 或你所说的任何协调轴）中看到的驱动模式中所起的具体作用。它们不能这样做，因为它们是在事后绘制的，而且，正如我们所知，原始物种变量和排序轴之间的关系，在很多情况下，根本不期望是线性的（甚至是单调的）。排序是（通常）在一些选择的不同度量（例如 BC 或 Jaccard 等）的空间中完成的。出于很多原因，这是合适的（我相信你已经知道了，我不会深入讨论）。要查看像 dbRDA（或任何其他排序）这样的受限排序空间中单个物种的模式是什么，我建议您使用气泡图，这是一种更精细的可视化模式的工具。 （顺便说一下，在 PRIMER 7 中，您可以叠加分段气泡图，以这种方式同时可视化一组物种的模式。气泡图的优势在于，对于任何给定的物种，它们能够显示任何可能存在的模式发生，包括跨组的阶跃变化、跨因素的潜在相互作用、沿梯度的单峰或多峰模式等。现在，使用秩（或 Pearson）相关向量具有能够同时绘制大量物种的优势, 但相比之下，它们显然是一个生硬的工具，因为它们只能很好地展示那些可能与排序轴有增加或减少关系的物种，如果通常不是全部的话。然而，它们有它们的用途，特别是在 CAP设置，其中专门绘制了轴以最大化组差异。在这种情况下，组在图上是分开的，因此具有较长轴的物种在这些图上绘制为增加或减少通常将对应于那些具有群体差异特征的物种。然而，即使在 CAP 示例中，有时群体差异是由整组（次要）物种的组成变化引起的，这些物种通过差异性度量同时多变量地同时作用，这可能不容易被任何单一物种的单一模式所识别。独立和单独考虑的那些物种。

嗯，我确实希望我已经帮助澄清了这里的问题。以上所有内容的结果是，将这些向量放在您可能选择的任何排序图上都没有问题，但它们是一种启发式和后验练习，而不是基于差异的设置中的明确或诊断工具，他们只表现出某种关系。其他工具（例如气泡图或分段气泡图）将提供更丰富的有关单个物种模式的信息内容。

希望以上内容对你有帮助！ 亲切的问候， 马蒂·安德森

Answer 2

我从未见过 PRIMER，我无法评论 vegan 和 PRIMER 之间的区别，但我可以解释一下我们在 中的工作方式>素食主义者。

如果您将拟合环境变量的物种分数视为箭头，则有两个独立的方面：方向和长度。首先关于箭头的方向。

一般来说，箭头不平行于轴，而是指向物种或环境变量变化最快的方向。箭头方向可从线性模型lm(y ~ Ax1 + Ax2) 中找到。如果y 是一个物种，这给出了物种分数的箭头，如果y 是一个环境变量，这给出了一个拟合向量。将物种与轴相关联意味着两个独立的模型lm(y ~ Ax1) 和lm(y ~ Ax2)。 vegan 模型定义了一个线性趋势面，而轴模型定义了两个独立的线性趋势面，每个线性趋势面沿一个轴具有最陡峭的梯度。以下示例显示了线性模型如何与 vegan 中的 PCA 中的物种得分相关：

library(vegan)
data(varespec)
pc <- rda(varespec)
biplot(pc) # species scores as biplot arrows
plot(envfit(pc ~ Pleuschr + Cladarbu + Cladrang + Cladstel, varespec))
ordisurf(pc ~ Cladstel, varespec, knots = 1, add = TRUE)

envfit 函数添加指向与物种分数相同方向的箭头，ordisurf 将线性 (knots = 1) 趋势面添加到 Cladstel。线性趋势面的等倾线等距且垂直于箭头。将采样单位投影到箭头给出了该二维解中的预测物种丰度。物种分数的解释在 RDA 中是相似的，但是你必须记住使用线性组合分数（display="lc"），在 CCA 中你必须记住使用加权回归（envfit 和 ordisurf 自动处理，但使用 lm 或其他非vegan 工具，您需要明确的权重）。

这种方法不容易更改为使用等级相关性。对于排名，您需要将点（采样单位）投影到单变量序列。人们通常在轴上投影（也就是说，他们将轴与物种相关联）。但是，如果我们找到一条通过原点的线，在将采样单元投影到其上进行排名时给出最佳排名相关性（如果存在唯一线或包含线的扇区），则会发现更好的相关性。这类似于我们在线性趋势面中寻找最陡变化方向的方法。使用欧几里得空间很容易做到这一点，就像所有 vegan 排序空间一样，但不是使用投影秩。

线性趋势面的假设非常简单。它是 PCA 和 RDA 中的物种模型，它是 RDA 中的约束模型，它显示了分析如何看待您的数据（记住"lc" 分数！）。但是，对于其他变量和其他排序方法，更复杂的响应模型通常更合适。这些可以使用ordisurf 和knots > 1 来拟合[ted]。

然后是关于箭头的长度，或物种得分与原点的距离。 envfit() 函数找到正确的方向，但它通过相关系数缩放箭头长度。在 PCA 和 RDA 中，我们有几个可选的缩放选项：请参阅 ?scores.cca 中 scaling 和 correlation 的详细描述。默认 (correlation = FALSE) 缩放使箭头与物种丰度的绝对变化成比例。也就是说，丰富的物种可以变化很大，可以有长箭，但稀有物种只能改变一点，总是有短箭。是绝对变化，不是相对变化。对于correlation = TRUE，箭头长度与相对变化成正比，类似于envfit 中使用的相关性缩放。再次，详细阅读手册 (?scores.cca)。