R CCA - 物种分数能否与 CCA 轴相关以及双标箭头长度如何与变量的显着性相关？

如何解决R CCA - 物种分数能否与 CCA 轴相关以及双标箭头长度如何与变量的显着性相关？

你好，这是我在 stackoverflow 或任何类似论坛中的第一个问题，所以如果我错过了什么，请原谅并善待；)

我正在使用 R 中的 vegan 包来计算 cca 分析。因为我的研究是关于物种特征的种内变异，我没有“情节 X 物种-矩阵”，而是一个 “个体 X 特征-矩阵”代表“生理学”。 -chemcial-niche”（所以我的物种分数看起来与以前不同）。所以我的问题是：

以这种方式进行分析是否合适？
是否可以根据“物种分数”（在我的情况下不是物种分数）来解释 CCA 轴 - 我希望获得以下信息：CCA1 与性状 X 最相关。
与 premutaion 测试 (anova.cca) 相比，我如何解释双标图箭头的长度 - 因为我得到了很多“长”箭头，但在排列测试中只有少数很重要？

这是我的摘要（cca）-输出：

Call:
cca(formula = mniche_g ~ cover_total * Richness + altitude +      Eastness + lan_TEMP + lan_REACT + lan_NUTRI + lan_MOIST +      Condition(glacier/transect/plot/individuum),data = mres_g_sc) 

Partitioning of scaled Chi-square:
               Inertia Proportion
Total         0.031551    1.00000
Conditioned   0.001716    0.05439
Constrained   0.006907    0.21890
Unconstrained 0.022928    0.72670

Eigenvalues,and their contribution to the scaled Chi-square 
after removing the contribution of conditiniong variables

Importance of components:
                         CCA1      CCA2      CCA3    CA1     CA2      CA3
Eigenvalue            0.00605 0.0005713 0.0002848 0.0167 0.00382 0.002413
Proportion Explained  0.20280 0.0191480 0.0095474 0.5596 0.12805 0.080863
Cumulative Proportion 0.20280 0.2219458 0.2314932 0.7911 0.91914 1.000000

Accumulated constrained eigenvalues
Importance of components:
                         CCA1      CCA2      CCA3
Eigenvalue            0.00605 0.0005713 0.0002848
Proportion Explained  0.87604 0.0827150 0.0412425
Cumulative Proportion 0.87604 0.9587575 1.0000000

Scaling 2 for species and site scores
* Species are scaled proportional to eigenvalues
* Sites are unscaled: weighted dispersion equal on all dimensions


Species scores

                  CCA1      CCA2       CCA3      CA1      CA2       CA3
SLA_range_ind  0.43964 -0.002623 -0.0286814 -0.75599 -0.04823  0.003317
SLA_mean_ind   0.01771 -0.042969  0.0246679 -0.01180  0.12732  0.053094
LNC           -0.10613 -0.064207 -0.0637272  0.07261 -0.15962  0.198612
LCC           -0.01375  0.012131 -0.0005462  0.02573 -0.01539 -0.021314
    
...

这是我的 anova.cca(cca)-输出：

Permutation test for cca under reduced model
Terms added sequentially (first to last)
Permutation: free
Number of permutations: 999

Model: cca(formula = mniche_g ~ cover_total * Richness + altitude + Eastness + lan_TEMP + lan_REACT + lan_NUTRI + lan_MOIST + Condition(glacier/transect/plot/individuum),data = mres_g_sc)
                      Df ChiSquare       F Pr(>F)    
cover_total            1 0.0023710 10.4442  0.002 ** 
Richness               1 0.0006053  2.6663  0.080 .  
altitude               1 0.0022628  9.9676  0.001 ***
Eastness               1 0.0005370  2.3657  0.083 .  
lan_TEMP               1 0.0001702  0.7497  0.450    
lan_REACT              1 0.0005519  2.4313  0.094 .  
lan_NUTRI              1 0.0000883  0.3889  0.683    
lan_MOIST              1 0.0001017  0.4479  0.633    
cover_total:Richness   1 0.0002184  0.9620  0.351    
Residual             101 0.0229283                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

这里是双标图： enter image description here

谢谢大家！

解决方法

我没有足够的信息来说明对您的数据使用 CCA 是否合理。我很怀疑，我认为这可能不明智。关键问题是“特征的总和有意义吗？”。如果没有，*CA 就没有意义，因为你需要行和列的总和，如果你用不同的单位测量变量，它们的总和就没有意义。例如，如果您将一个“特征”的单位从英寸更改为厘米，结果就会发生变化。将 RDA/PCA 与变量的均衡缩放一起使用可能更明智。
您可以从分析中获得单个变量与轴的关系。它只是该变量的排序分数。您可以通过将点投影到轴来直观地看到它，以数字方式使用 summary 或 scores。但是，我认为您不应该想要那样，但是如果您做了我认为不应该做的事情，我不会阻止您。（旋转维度的解释可能更有意义——轴只是绘制绘图的参考框架。）
简答：箭头的长度与所谓的意义无关。更长的答案：双标箭头长度的缩放取决于解决方案的缩放比例和解决方案中约束轴的数量。双标图分数基于与所谓的线性组合分数的关系——这些分数完全由这些非常相同的变量定义，并且约束变量与所有约束轴的多重相关性为 1。在默认比例（“物种” )，您的所有双标图箭头在完整约束解中都有单位长度，但是如果您只显示几个轴中的两个，如果它们在您未显示的维度中很长，则箭头会显得更短，如果维度不同，则它们看起来很长你展示的是唯一对这些变量很重要的变量。对于其他缩放，您还可以按轴特征值添加缩放。然而，这些长度与这些变量的所谓显着性无关。（顺便说一句，您在显着性测试中使用了顺序方法，这意味着测试顺序会影响结果。这完全可以，但与解释不依赖于顺序的箭头不同。）