Řešení cvičení 6.1
Import dat: výsledkem je, že v CANOCO budete mít tři matice, dvě typu compositional (molluscs
1) a vascular
) a jednu typu general (matice env
). Všechny matice musí obsahovat 43 řádků (ploch).
Analýza 1: sestává ze dvou kroků, a není na ni možné použít přednastavenou šablonu. Při vytvoření této analýzy postupujte takto:
- Analysis > Add new analysis > Customized (analýzu nějak pojmenujte, nebo nechte Analysis 1)
- do Analysis purpose můžete napsat krátký popis, co analýza dělá (ale nemusíte)
- klikněte na Step 1 a potom na tlačítko Add step - tím přidáte do analýzy druhý krok
- pokračujte klikání v Analysis setup wizard, který sestává z dvou kroků (prvních několik oken je Step 1, pak následuje Step 2)
- Step 1 - Response data - vyberte matici s cévnatými rostlinami (
vascular
), - Step 1 - Ordination method - zde vyberte PCA, Response data (species) transformation
None
a Center and standardize by samplesHellinger standardization
. - Step 2 - Response data - vyberte matici s plži (
moluscs
), Explanatory data - sem je třeba vložit skóre na ordinačních osách z předchozí analýzy, a to takto: klikněte na tlačítko Advanced role v sekci Explanatory data, v novém okně na tlačítko New, v okně Use score results from: vyberteCurrent analysis
aStep 1
, vpravo v boxu Select score type: vyberteCase scores
a pod ním Use these scores from vyberteall axes
. Klikněte na OK, a v políčku pro Explanatory variables se objevíCase scores from step 1
, což je přesně to, co potřebujeme. - Step 2 - Ordination method - vyberte RDA, Response data (species) transformation
Log
a Center and standardize by samplesNone
(na plžích není třeba dělat Hellingerovu standardizaci, je ale potřeba je log ztransformovat, protože jde o počty). - Step 2 - Test or Explore Predictor Effect - vyberte možnost
Forward selection
, v možnosti Permutation Test Parameters vyberteUnrestricted permutations
. - Analýzu spusťte, a vyberte vysvětlující proměnné (ordinační osy z PCA na cévnatých rostlinách). V mém řešení se vybraly dvě (
CaseR.1
aCaseR.2
), je ale možné, že vám druhá osa už nevyjde signifikantní (s Bonferroniho korekcí). Analysis 'Analysis 1', step 'Step 2' Forward Selection Results: Name Explains % Contribution % pseudo-F P P(adj) CaseR.1 25.4 56.4 14.0 0.002 0.016 CaseR.2 4.5 10.0 2.6 0.006 0.048
- Aby bylo možné s těmito proměnnými pracovat i v Analýze 3 (rozkladu variance, viz dole), je třeba tyto proměnné nakopírovat (ručně) do tabulky
env
, a to takto:- v záložce
Cases (1)
2) označte sloupce s osami, které byly vybrány postupným výběrem v analýze Step 2 (v mém případěCaseR.1
aCaseR.2
), a nakopírujte je na clipboard (CTRL+C) - v Data tables vyberte tabulku
env
, posuňte se na poslední sloupeček, pravým tlačítkem myši klikněte na záhlaví prvního prázdného sloupce ([C15]) a vyberteAppend ... from Clipboard
- vloží se vám sloupečky se skóre na vegetačních ordinačních osách.
Analýza 2 - Analysis > Add new analysis > Canoco adviser, vyberte matice molluscs
a env
, analýzu Interactive forward selection ...
.
- Jako Response data vyberte
molluscs
a jako Explanatory data vyberte maticienv
a v ní všechny proměnné kromě skóre na vegetačních osách z předchozí analýzy (chceme dělat výběr jen mezi měřenými proměnnými prostředí). - Vyberte RDA na log transformovaných datech a bez Hellingerovy standardizace (stejně jako v předchozí analýze při použití šnečích dat).
- Proveďte postupný výběr proměnných (s Bonferroniho korekcí).
- V mém případě vyšel jako nejdůležitější vápník (proměnná
Ca
) a marginálně signifikantní i konduktivita (cond
) - kterou jsem nakonec zahrnul do modelu, i když její P(adj) byl mírně vyšší než 0.05. Analysis 'Interactive-forward-selection', step 'Forward Selection' Forward Selection Results: Name Explains % Contribution % pseudo-F P P(adj) Ca 20.2 41.5 10.4 0.002 0.028 conduct 5.3 10.9 2.8 0.004 0.056
Analýza 3 - vlastní rozklad variance: Analysis > Add new analysis > Canoco adviser, vyberte matice molluscs
a env
a analýzu v sekci Variation Partitioning Analyses
, konkrétně s testováním parciálních (conditional efektů (Var-part-2groups-Conditional-effects-tested...
).
- Response data bude tabulka
molluscs
, Explanatory data tabulkaenv
(která nyní obsahuje jak vlastní měřené proměnné, tak i ordinační skóre z vegetačních dat) - v dalším kroku nadefinujete, které proměnné patří do které ze dvou skupin pro následný rozklad variance:
First group
budeCaseR1
aCaseR2
(tedy vliv vegetace),Second group
budeCa
acond
(vliv prostředí, proměnné které vyšli jako důležité při postupném výběru). - Ordination method - RDA, log transformace druhových dat, žádná standardizace po vzorcích, ostatní default.
- Proveďte vlastní analýzu a podívejte se na výsledky:
Variation Partitioning Results for Two Groups in Analysis 'Var-part-2groups-Conditional-effects-tested' Explained variation Fraction Variation(adj) % of Explained % of All DF Mean Square a 0.062197 22.2 6.2 2 0.04677 b 0.015341 5.5 1.5 2 0.02446 c 0.20208 72.3 20.2 -- -- Total Explained 0.27962 100.0 28.0 4 0.08706 All Variation 1 -- 100.0 42 --
Variation Partitioning Results for Two Groups in Analysis 'Var-part-2groups-Conditional-effects-tested' Significance tests Tested Fraction F P a+b+c 5.1 0.002 a 2.7 0.002 b 1.4 0.072
Obě skupiny proměnných vysvětlí celkem 28% variability (adjustovaný R2), z toho čistý efekt vegetace je 6.2% (a ten je průkazný na p < 0.01), zatímco čistý efekt proměnných prostředí je jen 1.5% (a není průkazný, p = 0.072). Sdílená složka je největší - 20.2%, protože obě sady proměnných jsou výrazně korelované (prostředí ovlivňuje vegetaci).
Interpretace by byla asi následující: vegetace je lepší prediktor druhového složení než měřené proměnné prostředí, a obsahuje i informaci, kterou proměnné prostředí neobsahují. Pokud bych měl jistotu, že v proměnných prostředí jsou všechny faktory, které mohou být relevantní pro složení plžích společenstev, pak by se dalo říci, že variabilita kterou vegetace vysvětlí navíc odráží biotické interakce mezi plži a rostlinami. Protože ale s jistotou nevím, jestli jsou měřeny všechny proměnné prostředí, je pravděpodobné, že variabilita kterou vegetace vysvětlí navíc je způsobena některým z faktorů prostředí který nebyl změřen (proto není ve frakci [b] nebo [c]) a kytky na něj reagují stejně jako plži. Celý model a parciální efekt vlivu vegetace jsou průkazné, parciální vliv proměnných prostředí už průkazný není.
Show brief version of notebooks with analysis results
. Když analýzu provedete znovu, objeví se vám i další záložky se skóre na osách a dalšími informacemi.