冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多因变量（multiresponse）回归分析的拓展。
从概念上讲，RDA是因变量矩阵与解释变量之间多元多重线性回归的拟合值矩阵的PCA分析。
本报告对植物生态多样性做了数据分析。
可下载资源
冗余分析
首先，加载数据。
要加载数据，所有文件都必须在工作目录中。
ste <- read.csv("sr.csv")
ev <- read.csv("ev.csv")
as <- read.csv("as.csv")
我对数据做了一些修改。首先，我将 ev 数据的所有定量变量（即除地貌单元外的所有变量）与 as 数据组合成一个名为 enqut. 然后，我对数据进行了归一化， 允许非常不同单位的变量之间进行比较。最后，我在归一化的定量环境变量中添加了地貌单元列，创建数据框 era，用于冗余分析。
enqut<- cbind(ev\[,-5\],ap) enz <- scale ut <- env\[,5\] era<- data.frame
结构数据
我使用环境数据era 作为解释变量对植被结构进行了冗余分析。我将结果分配给对象 str。
summary(str)
然后我得到了这个分析的 R 方和调整后R 方。
RsquareAdj
RsqeAdj$adj.r.sqd
制作三序图。
par plot points usc <- scores points text
成分数据
首先我加载了物种数据。同样，该文件 PAl.csv 必须在工作目录中。为了降低大丰度的重要性，我将 Hellinger 转换应用于物种数据。
sp <- Hellinger(sp)
然后我使用所有环境变量作为解释变量进行了冗余分析。
head(suda)
随时关注您喜欢的主题
# 获得R^2和调整后的R^2 (sR2 <- RseAdj
(spdj <- RseAdj$adj.r.sed)
以2型标尺 对物种数据制作 RDA三序图。
# 做好绘图空间 par plot # 绘制站点的分数 spc <- scores points # 绘制出物种的点数 ssc <- scores points # 绘制定量解释变量的箭头和它们的标签 spesc <- scores arrows env.names text # 绘制地貌单元中心点和它们的标签的绘图点 spsc <- scores points text
这是为论文制作图形的代码。
论文图形
par ensc <- scores arrows points # 制作绘图空间 par plot abline mtext # 绘制站点的分数 spsc <- scores points
# 绘制出物种的点数
sp.sc <- scores
points
# 绘制定量解释变量的箭头和它们的标签
spsc <- scores
arrows
text
# 绘制地貌单元中心点和它们的标签的绘图点
unimes
spusc <- scores
points
text
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
R语言非线性方程数值分析生物降解、植物生长数据：多项式、渐近回归、负指数方程、幂函数曲线、米氏方程、逻辑曲线、Gompertz、Weibull曲线
R语言生态学种群空间点格局分析：聚类泊松点过程对植物、蚂蚁巢穴分布数据可视化
R语言布朗运动模拟股市、物种进化树状图、二项分布可视化
