logo资料库

基于Canoco的CCA数据处理过程解析.doc

发布时间：2022-06-13 发布人：admin 分类：说明书 资料大小：0.37M 资料格式：doc 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    基于 Canoco 的 CCA 数据处理过程解析 一、 数据处理 1、数据格式要求 在 Excel 表格里面，你必须将数据做成矩形形式。默认的方式 （也是常用的方式）是一行代表一个样方，一列代表一个变量。 表格左顶格最好是空着。最好第一列和第一行分别有样方编号和 变量的名称。必须注意的是名称不能超过 8 个字符，如果超过 8 个字符，CANOCO 会自动截取前 8 个字符作为名称。变量名称最 好是英文字母、数字 、圆点或是连字符，空格也可以。 除了第一行和第一列，表格内剩下的填充内容必须是数字或 是空着，绝对不能使用字符型数据。定性变量（因子）必须转换 为哑变量（0‐1 数据）方可进入 CANOCO 分析。 当数据在 Excel 表格里按要求整理好后，将包含数据的矩形方 阵选定，然后选择“复制”按钮，此时数据便复制到剪贴板中。 WCanoImp 便 可 以 从 剪 贴 板 中 读 取 数 据 。 如 图 1‐2a 所 示 ， WCanoImp 可以从“开始”菜单中 Canoco for windows 下来菜单中打 开。此时会弹出 WCanoImp 对话框，上半部分包含如何使用该程 序的简短信息，下半部分是一些可选框。如果在 Excel 表格数据是 按照默认方式组织你的数据，第一选项不必选，相反，如果是数 据结构正好相反，以列代表样方，以行代表变量，必须选中这个 “Each column is a Sample”选项。除非你的数据是样方很少而变量 很多(Excel 表格里面列数不能超过 256 列)，否则不推荐用这种方
    式组织数据。如果你没有样方或是变量没有编号或是名称，可以 选 择 下 面 两 个 选 框 ， 程 序 会 帮 你 给 各 行 各 列 附 上 默 认 名 称 （Sample1,）。最后一个选项是问你是否存为压缩型数据类型，除 非你觉得硬盘空间不够大，否则不必选这个选项，是否选这个选 项中对于分析结果毫不影响。 当你确定所以的选择是正确的，你就可以按下 save 按钮，系 统弹出新的对话框让你选择保存新文件地方和取个文件名，之后 会让你给这个文件加个标注，这个标注内容将显示在新文件的数 据内容第一行，以便日后数据内容的识别。选定确认后，程序会 告诉你保存成功。 图 1‐2a WCanoimp 程序打开途径
    图 1‐2 b 数据的参考模式及 WCanoimp 对话框 2、物种数据的转化 排序的过程在于寻找最佳预测响应变量的坐标轴，此时坐标轴 代表回归预测器（解释变量）（这些内容将在《基于 CANOCO 的 生态学数据的多元统计分析》第3章详细解释）。因此，在排序中 对响应变量进行转化，就好比在多重回归中要将很多物种数据转 化一个单因变量的形式一样。有点限制的是，在排序中，所有的 响应变量应该是做一致的转化，因为响应变量经常是同一属性的 数据，具有一致的量纲。在基于单峰模型（加权平均）的排序（见 3.2节），所有响应变量的数据不能是负值，这就要求某些带负值 的数据必须转化，而且对于转化的结 果有更严格的要求（不能为 负值）。
    这个限定（非负值）对于对数转化更应该值得注意。因为1的对数 为0，而处于0‐1之间的值取对数是负值。因此，在CANOCO里面 提供了变通的对数转化公式： 在对y转化之前，你可设定上面公式中A和C的值，让输出的y`值保 证不小于0。在系统中，A和C默认值均为1，这样可以保证本来是 0的值，转化后仍为0，而其他的值依然是正的。然而，如果你的 原始值很小（比如说处于0‐0.1之间），可以将A的值适当增大，比 如说设为10。但对于百分比数据和普通的点数据，默认的转化 （log(y+1)）是比较合适的。 什么情况下需要对响应变量进行对数转化是个很难回答的问题， 统计学家的答案也是五花八门。我们建议你不必太在意关于数据 的分布特征，比如原始数据不一定符合理想的正态分布，对于排 序来说，也不一定非要通过对数转化为正态分布的类型。是否需 要对数转化，关键还是比较原始数据和转化数据分析处理的最终 结果哪个更好解释你所要探讨的问题。 正如上面所描述那样，排序可以被看作多重回归的扩展，所以整 个排序方法可以用简单回归的语言来描述。你可以通过一个或多 个预测器（环境因子或排序轴）来预测一个响应变量（比如物种 的多度）。比如，在一元线形回归方程中（y=B0+BX+E），你可 以问当x变化一个单位时，y的平均值是如何变化的？如果自变量 和因变量都没有对数转化，你可以回答这个问题：当x增加一个单
    位时候，y的增量是B。但在很多情况下，你可能更倾向听到这样 的解释，如果变量X增加一个单位，Y的量将增加10%，或是，y 增加1.1倍这样的话。显然，这已经并不是线形回归模型所能体现 出来的，因此，这种前情况下，你需要对响应变量进行对数转化。 同样，如果预测器（环境因子）变化是成倍增长，此时的环境变 量也应该被对数转化。 植物群落组成数据有时是半量化估计尺度数据，比如最典型 的例子是多度的Braun‐Blanquet等级估计（7个等级水平，分别为 r,+,1,2,3,4,5这7个标号表示）。这个等级估计经常在数据表格里用 1‐7的数据来代替原来的标号进行分析。其实，这个量化1‐7的数字 已经相当原始多度数据的对数转化，因为不同等级的多度变化往 往是成倍增加的，不是简单的单位量的变化。 在CANOCO里面另外一种有用的数据转化模式是平方根转 化。平方根转化更适合观测计数数据（count data），比如在土壤 收集器中收集到标本个体的数量，或是通过某一条标志线蚂蚁的 数量等等这样的观测数据。但对数转化对这样的数据进行转化也 是可以的。 当然，如果你觉得需要某种除了对数转化和平方根之外的数 据转化，你可以在数据输入 CANOCO 之前通过别的数据软件进 行。 3、 解释变量的转化 因为解释变量（环境因子变量，包括协变量）经常是样方的多
    属性数据，量纲往往不一样的，所以你经常需要选择合适的转化 方法分别对环境变量进行单独转化。CANOCO里面并没有提供这 样的转化，因为很多环境因子在被输入CANOCO之前，就应该被 转化好。 但你应该知道，CANOCO 读了了环境变量或协变量后，它们 会自动被中心化和标准化，让它们的均值为 0 和方差为 1（这个转 化通常被称为“单位方差标准化”）。 4、 数据存储格式转换 用 wCanoImp 形成 canoco 可以识别的数字格式时，物种和环 境因子不同文件的命名最好差别别太大。 二、 统计分析 1、 决定排序的模型：单峰还是线性 在Canoco for Windows的分析过程，有一个关于模型的选择窗 口，你必须对排序的模型进行选择。为了选择更合适的模型，你 尽可能将各种模型都尝试一下，选择一个你最想要的分析结果及 排序图。当然，如果你不知道到底是用线性、还好单峰模型好， 有一个比较简单方法可以帮助你来选择。可以先将物种数据进行 DCA分析，其他的窗口的选项均可以选择默认程序。分析完成后， 在“Log View”内，各轴特征根分析那部分，可以找到“Lengths of gradient”这样一栏信息，这个“Lengths of gradient”是展示每个轴的 梯度长度。如果这四个轴中梯度最长（最大值）超过4，选择单峰 模型排序（CA、CCA、DCA）更合适。如果是小于3，选择线性
    模型（PCA、RDA）比较合理。如果介于3-4之间，单峰模型和线 性模型都是合适的。当然，这个选择并不是绝对的，最长梯度小 于3，依然可以用单峰模型，因为线性模型可以看作单峰模型一种 特例。但是梯度大于4，最好还是不用线性模型，线性模型可能误 差比较大，会丢失比较多的信息。 当你选择单峰还是线形模型的时候,你必须预先认识到,不是 所有的数据类型都是适合用单峰模型,比如物种数据是不同量纲的 数据(单位不一致)就不适合做单峰模型的排序。还有，如果有个样 方的空的（即值都为 0），这样的数据进行单峰排序分析，系统会 自动告诉你有空的样方，不能进行分析。如果非要做单峰模型的 排序分析，首先要把这些空样方去掉。 2、 导入数据 ⑴根据所选择的排序类型在 Available Data 对话框中选出所要导入 的数据类型 ⑵在 Data File 对话框中从数据存贮地导入数据 【注：这里的可能会涉及到协变量，而这所说的协变量不同于通 常统计中的协变量。当我们在解释变量（环境因子数据）与响应 变量（物种数据）之间建立预测模型的时候，经常会遇到这样的 情况，往往我们仅仅考察解释变量中某几个环境因子的对物种数 据的影响，但剩下的环境因子也会对物种产生影响，这些剩余环 境因子我们经常称为协变量(Covariables) 。在CANOCO中，协变 量的影响可以用偏分析（partial analyze）剔除出来。
    实际上，任何一个环境因子变量均可以成为协变量。例如，我们 要研究管理模式对蝴蝶群落中组成的影响，我们可以在不同的海 拔地点取样，海拔也许对群落物种组成影响很大，但此时我们感 兴趣的是管理模式的影响，而非海拔梯度的影响。这个时候，如 果能剔除出海拔的影响，我们能管理模型与蝴蝶种群之间更清晰 的关系。】 3、 在 Type of Analysis 中选择适当的梯度分析方法 4、 选择适当的排序得分（坐标）的尺度比例 排序最重要的结果是排序图。通过排序图，理论上讲，不仅 可以重建（有一定水平的误差）原始数据结构（物种数据），也可 以重建样方之间相似（相异）矩阵和物种之间的相关矩阵。但没 有人会想从排序图里面恢复真正的原始被测数据，因为原始数据 已经有了。但原始数据对于排序图内容的解释和提炼出感兴趣的 假设是很有用的。对于样方的相似度、物种或环境因子的相关性 等的解释的准确性，部分取决于在排序轴坐标的相对尺度比例 （relative scaling）。Object(样方，物种和环境因子)在排序空间的 绝对值没有任何意义。在解释排序图的，我们使用相对距离，相 对方向和投影点的相对次序。 这个可选的尺度比例让排序图展示不同相对比例，以便更好 解释你想要探讨的问题。但是这个选择并不影响整个分析的结果。 这里“Focus scaling on” 选择在线性和单峰方法中，多少有点相 似（图 4-6）。首先，这个选择必须依据分析者在排序图是要关注
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料