Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
зеленого цвета); оценка числа информативных главных компонент – между 2 и 3
Возможно, у читателя появится мысль, что, если основной целью исследования
является построение ординационных биплотов с использованием только первых двух
главных компонент, то оценка информационной значимости остальных ортогональных
осей не имеет практической ценности. Однако во всех случаях полезно знать, какая доля
необъясненной изменчивости данных осталась за бортом нашего графика.
Особенности структуры сообществ донных организмов в реках Сок-Байтуган
хорошо прослеживаются на двухмерных ординационных диаграммах: главная ось РС1
ординации объектов (рис. 6.6) позволяет легко выделить группы участков водотока,
соответствующих устьевой зоне (С-12, С-13), среднему течению (С-4 – С-9) и верховьям
(остальные участки), а вторая ось РС2 показывает изменение видового состава бентоса
под влиянием специфических местных условий.
Аналогичная ординационная диаграмма переменных (рис. 6.7) позволяет выделить
ассоциации таксонов донных организмов, характерных для каждого местообитания, что в
конечном итоге определяется совокупностью факторов окружающей среды. Функции
ordipointlabel() и ordilabel() пакета vegan дают возможность расположить на биплоте метки
данных наилучшим образом и задать последовательность их визуализации: в верхнем слое
диаграммы показаны экологически важные виды с наибольшей частотой встречаемости.
207
Рис. 6.6. Ординация участков рек Сок-Байтуган по видовому составу донных сообществ
Рис. 6.7. Ординация видового состава донных сообществ рек Байтуган-Сок
К разделу 6.2:
# I. Анализ главных компонент геоботанических описаний
# Загрузка таблицы видов из предварительно подготовленного двоичного файла
library(vegan) ; load(file="Fito_Full.RData"); Species <- Species[,-8]
# Для стандартизации переменных используем функцию decostand и z-scores (m=0, sd=1)
Species_stand<-decostand(Species,"standardize")
# 1. Использование функции princomp
# Вариант со стандартизованными переменными
prin_comp<-princomp(Species_stand) ; summary(prin_comp) ; ordiplot(prin_comp, type="text")
208
# Вариант с натуральными переменными
prin_comp<-princomp(Species) ; summary(prin_comp) ; ordiplot(prin_comp, type="text")
# 2. Использование функции function prcomp (получаем те же значения)
prin_comp<-prcomp(Species,retx=FALSE,center=FALSE) ; summary(prin_comp)
ordiplot(prin_comp, type="text")
# 3. Использование функции rda (Аргумент scale=TRUE вызывает стандартизацию переменных)
Spec.pca <- rda(Species, scale=FALSE) ; summary(Spec.pca, scaling=1)
summary(Spec.pca, scaling=2)
par(mfrow=c(1,2)) # Два PCA биплота: тип шкалирования 1 и 2
source("cleanplot.pca.R") # Используем из этого файла функцию biplot.rda()
biplot.rda(Spec.pca, scaling=1, main="PCA - шкалирование 1", type = "text")
biplot.rda(Spec.pca, scaling=2, main="PCA - шкалирование 2", type = "text")
# Оценка статистической значимости связи исходных переменных с главными компонентами
sigpca2<-function (x, permutations=1000, ...) { # Функция, выполняющая рандомизационный тест
pcnull <- princomp(x, ...) ; res <- pcnull$loadings
out <- matrix(0, nrow=nrow(res), ncol=ncol(res)) ; N <- nrow(x)
for (i in 1:permutations) {
pc <- princomp(x[sample(N, replace=TRUE), ], ...)
pred <- predict(pc, newdata = x) ; r <- cor(pcnull$scores, pred)
k <- apply(abs(r), 2, which.max)
reve <- sign(diag(r[k,])) ; sol <- pc$loadings[ ,k] ; sol <- sweep(sol, 2, reve, "*")
out <- out + ifelse(res > 0, sol <= 0, sol >= 0) }
out/permutations }
sigpca2(Species, permutations=1000)
# Оценка необходимого числа главных компонент
ev <- Spec.pca$CA$eig ; ev[ev > mean(ev)] # Критерий Кайзера-Гуттмана
# Модель разбиваемой стеклянной палочки
n <- length(ev) ; bsm <- data.frame(j=seq(1:n), p=0); bsm$p[1] <- 1/n
for (i in 2:n) {bsm$p[i] = bsm$p[i-1] + (1/(n + 1 - i))} ; bsm$p <- 100*bsm$p/n
# Столбиковая диаграмма с данными по этим двум методам
par(mfrow=c(2,1)) ; barplot(ev, main="Собственные значения", col="bisque", las=2)
abline(h=mean(ev), col="red")
legend("topright", "Средние собственные значения", lwd=1, col=2, bty="n")
barplot(t(cbind(100*ev/sum(ev),bsm$p[n:1])), beside=TRUE, main="% дисперсии",
col=c("bisque",2), las=2)
legend("topright", c("% собственных значений", "Модель разбитой палочки"),pch=15,
col=c("bisque",2), bty="n")
# II. Анализ главных компонент гидробиологических данных
library(xlsReadWrite) # Загрузка данных из файла Excel
Bentos <- read.xls("Сок1.xls", sheet = 1, rowNames=TRUE) ; Bentos[is.na(Bentos)] <- 0
Bentos <- t(Bentos) ; Spec.pca <- rda(Bentos, scale=FALSE) ; summary(Spec.pca, scaling=1)
# Оценка доверительных интервалов собственных значений бутстреп-методом
N.boot <- 1000 ; nObs = nrow(Bentos) ; nEig = 4
ci.level = 0.95 ; prob.low = (1-ci.level)/2 ; prob.high = 1-prob.low
boot.eigenval <- boot.eigenprop <- boot.eigencum <- matrix(0, nrow=N.boot, ncol=nEig)
for (iter in 1:N.boot) { i = sample(1:nObs, replace=TRUE)
boot.pca <- rda(Bentos[i,], scale=FALSE) ; boot.eigenval[iter,] = boot.pca$CA$eig[1:nEig]
boot.eigenprop[iter,] = boot.pca$CA$eig[1:nEig]/sum(boot.pca$CA$eig)
boot.eigencum[iter,] = cumsum(boot.pca$CA$eig[1:nEig]/sum(boot.pca$CA$eig)) }
CumSum <- cumsum(Spec.pca$CA$eig[1:nEig]/sum(Spec.pca$CA$eig)) ;
Eval <- matrix(0, nrow=nEig, ncol=9)
colnames(Eval) <- c("Собств. знач.", "Нижн.ДИ","Верхн.ДИ","Объясн.дисп", "Нижн.ДИ",
"Верхн.ДИ", "Накоп.доля", "Нижн.ДИ","Верхн.ДИ")