text stringlengths 0 1.95k |
|---|
source("print_rezult.r") # Загрузка функций вывода результатов |
# ---- Функция выполнения бутстреп-процедуры заданное bootN число раз |
9 Заинтересованный читатель может обратить внимание, что в комментариях к функции specpool() |
представлен пример оценки достоверности экстраполяции с использованием кросс-проверки |
168 |
simci <- function(data , bootN, method) |
{ boots <- numeric(bootN) # Вектор для накопления бутстрепированных значений |
vyb <- replicate(bootN, sample.int(ncol(data), replace=TRUE)) |
boots <- sapply(1: bootN, function (i) {l<-vyb[,i]; similary(data[,l],method=method)}) |
return (BootRes(boots, similary(data,method=method))) } # Вывод результатов |
# Выполнение бутстрепа |
TT <- read.table("Dis.txt",header=T,sep="\t") # Загрузка численностей видов для х и y |
TS <- t(TT) # Транспонируем матрицу видов (виды по столбцам, участки по строкам) |
simci(TS,1000,4) ; simci(TS,1000,5) ; simci(TS,1000,6) # Для количественных переменных |
simci(TS,1000,4) ; simci(TS,1000,5) ; simci(TS,1000,6) # Для бинарных переменных |
# ----------- Функция выполнения рандомизации заданное permutations число раз |
simP <- function(data , permutations, method) { |
empar <- similary(data,method=method) ; boots <- numeric(permutations) |
for (i in 1:permutations) |
# Каждый раз заменяем вектор y случайной перестановкой из его значений |
boots[i] <- similary(rbind(data[1,], sample(data[2,], replace=FALSE)),method=method) |
return (RandRes (empar, boots, permutations)) } # Вывод результатов |
# Выполнение рандомизации |
simP(TS,1000,4) ; simP(TS,1000,5) ; simP(TS,1000,6) # Для количественных переменных |
# Оценка числа видов, скрытых за занавесом, методом складного ножа |
# Подготавливаем и загружаем из файла матрицу с численностями особей T, |
# где в строках – гидробиологические пробы, а в столбцах – обнаруженные виды |
library (vegan) |
specpool(T, index = "jack1") # Используем только метод складного ножа 1 |
# Результат: d = 115 |
# Добавляем справа к матрице наблюдений 115 столбцов с нулевой численностью |
TSD <- cbind(TS, matrix(replicate(230,0), nrow=2)) |
simP(TSD,1000,1) ; simP(TSD,1000,2) ; simP(TSD,1000,3) # Для бинарных переменных |
5.2. Непараметрический дисперсионный анализ матриц дистанции |
Результаты мониторинга природного объекта, представленные в виде m выборок, |
обычно можно разделить на r групп, например, в соответствии со схемой зонирования |
водотока, где выполнялись гидробиологические пробы. Тогда, в соответствии с моделью |
дисперсионного анализа, общую изменчивость популяционной плотности Ni каждого i-го |
вида можно разложить на компоненты: Var Ni = Var t + Var e, где Var t – вариация, |
обусловленная влиянием группирующего фактора, Var e – изменчивость, связанная с |
воздействием неконтролируемых (в том числе, случайных факторов). |
Однако, если количество |
зарегистрированных видов велико |
(300-400 в |
гидробиологических примерах), то дисперсионный анализ не дает возможности оценить |
совокупную изменчивость всего таксономического комплекса изучаемого сообщества под |
воздействием группирующего фактора. Один из приемов избежать "проклятия |
размерности" – выполнить дисперсионный анализ симметричной матрицы D |
размерностью m ´ m, элементами которой dij являются коэффициенты расстояния между |
каждой парой выполненных проб (см. рис. 5.3). |
М. Андерсон (Anderson, 2001) предложил метод, известный как непараметрический |
(npMANOVA), осуществляющий разложение многомерной |
дисперсионный анализ |
изменчивости, заключенной в матрице расстояний, в соответствии с уровнями влияния |
изучаемых факторов. В первом приближении, как это показано на рис. 5.3, можно |
рассчитать общую SST и внутригрупповую SSW суммы квадратов dij, после чего оценить |
их дисперсионное отношение: |
SS |
1 |
r |
где wij равны 1, если выборки i и j принадлежат одной группе, и 0 в противном случае. |
rm |
( |
) |
- |
r |
)1 |
( |
- |
å å- |
å å- |
SS |
W |
SS |
1 |
m |
w |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.