Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
for (k in 1:nEig) {
Eval[k,1]=Spec.pca$CA$eig[k]
Eval[k,2] = quantile(boot.eigenval[,k], probs=prob.low, na.rm = TRUE)
Eval[k,3] = quantile(boot.eigenval[,k], probs=prob.high)
Eval[k,4]=Spec.pca$CA$eig[k]/sum(Spec.pca$CA$eig)
Eval[k,5] = quantile(boot.eigenprop[,k], probs=prob.low)
Eval[k,6] = quantile(boot.eigenprop[,k], probs=prob.high, , na.rm = TRUE)
Eval[k,7]=CumSum[k]; Eval[k,8]=quantile(boot.eigencum[,k],probs=prob.low,,na.rm=TRUE)
Eval[k,9] = quantile(boot.eigencum[,k], probs=prob.high, , na.rm = TRUE) } ; Eval
# Функция создания скоррелированной перевыборки (бутстреп)
boot <- function(data) data[sample(1:nrow(data),size=nrow(data),replace=T),]
209
# Функция создания перевыборки с «разрушенной» корреляцией (рандомизация)
boot2 <- function(data) apply(data,2,function(x)
x[sample(1:length(x),size=length(x),replace=T)])
# Функция создания перевыборки с использованием нуль-модели r2dtable
boot1 <- function(data) r2dtable(1, rowSums(data), colSums(data))[[1]]
# Построение графика пучков линий бутстрепа
plot(Spec.pca$CA$eig, pch=16, type="b",ylab="Cобственные значения",
xlab="Номер компоненты", xlim=c(1,8))
for(i in 1:100) lines(rda(boot2(Bentos),scale=FALSE)$CA$eig, col="red")
for(i in 1:100) lines(rda(boot(Bentos),scale=FALSE)$CA$eig, col="grey")
for(i in 1:100) lines(rda(boot1(Bentos),scale=FALSE)$CA$eig, col="green")
points(Spec.pca$CA$eig, type="b", lwd=2) # Линия по эмпирической выборке
# Построение ординационных диаграмм
plot(Spec.pca, dis = "sites", type = "n") # По объектам (участкам реки)
ordipointlabel(Spec.pca, display = "sites", font=4, pch=21, bg="grey")
plot(Spec.pca, dis = "sp", type = "n") # По переменным (видам макрозообентоса)
stems <- colSums(Bentos) ; ordilabel(Spec.pca, dis = "sp", priority=stems)
6.3. Сравнение результатов различных моделей ординации
"Идеальный" метод ординации должен обладать рядом следующих свойств:
близость объектов
(например, композиций видов и местообитаний) в
°
ординационном пространстве должна быть тесно связана с их экологическим подобием;
°
главные градиенты изменчивости должны отображаться без искажений, а
принятый масштаб осей определяться разнообразием сообществ;
°
если в изучаемой системе объективно существует возможность группировки, то это
находит свое отражение при ординации, однако не существующие псевдо-кластеры на
диаграмме не обнаруживаются;
°
°
не чувствительность к "шуму", однако "сигнал" и "шум" надежно отличаемы;
результативность и воспроизводимость в различных условиях, т. е. одинаковая
работоспособность для разреженных и заполненных матриц, а также наборов данных
различной размерности;
°
математическая элегантность, доступная и легкая для понимания пользователей.
Метод PCA, тесно связанный со свойствами ковариационной матрицы, не всегда
отвечает этим условиям, поэтому была разработана целая гамма ординационных методов
(Legendre, Legendre, 1998), основанных на различных алгоритмах обработки данных.
Анализ главных координат (PCoA), или метод метрического многомерного шкалирования
(Айвазян и др., 1989) в определенной степени абстрагируется от исходной таблицы
данных мониторинга и может оперировать с произвольной матрицей расстояний D, где dij
– мера дистанции между каждой парой местообитаний i и j, i, j = 1, 2, …, n.
Другим перспективным методом ординации, находящим все большее применение в
экологии, является алгоритм неметрического многомерного шкалирования (NMDS,
nonmetric multidimensional scaling – Дэйвисон, 1988), также использующий произвольную
матрицу дистанций D. Считается, что этот метод дает наиболее адекватные результаты,
особенно для больших биогеографических матриц с сильными шумами (Minchin, 1987).
Его главным преимуществом является то, что он не требует от исходных данных никаких
априорных предположений о характере статистического распределения.
В общем случае, задача многомерного шкалирования состоит в том, чтобы создать
такой p-мерный (p = 2 или 3) "образ" наших объектов (видов и местообитаний), в котором
взаимные попарные расстояния оказались бы наименее искажены по сравнению с
исходным состоянием D. Главные оси геометрической метафоры данных в пространстве
ме́ньшей размерности обычно находятся путем минимизации критерия "стресса":
210
n
=D å
,
ji