Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
Community
1
text
stringlengths
0
1.95k
статистики Мантеля нормальным распределением.
1 = dZdX
Если dZ имеет смысл матрицы различий, то положительные значения статистики
Мантеля соответствуют отрицательной автокорреляции между численностями видов для
данного значения лага, как это имеет место в рассматриваемом примере при h = 1 на рис.
7.25 (т.е. два смежных квадрата на единичном расстоянии друг от друга будут иметь
различающуюся видовую структуру). Другое статистически значимое отрицательное
h при h = 7 соответствует положительной зависимости между обилиями между
значение rM
улиток B.cylindrica и M. Сarthusiana на расстоянии около 12 м. Отметим также, что
статистическая значимость статистики Мантеля для всех лагов оценивалась с
285
использованием 999 случайных перестановок, а коррекция наблюдаемых р-значений на
множественность испытаний методом Бонферрони выполнялась последовательно таким
образом, чтобы можно было бы обнаружить наличие автокорреляции прежде всего в
первых классах расстояний.
Рис. 7.25. Коррелограмма Мантеля на примере популяций улиток;
черным цветом закрашены статистически значимые значения статистики Мантеля по результатам
1000 итераций рандомизационного теста с учетом коррекции Бонферрони
К разделу 7.6:
load (file="MOL.RData"); library(spdep) ; library(vegan) ; library(gstat)
MOL.xy <- data.frame(x=1.5*(MOL[,1] - 1) + 0.75, y=1.5*(MOL[,2] - 1) + 0.75)
MOL.sp <- data.frame(Bc = MOL[,3]+MOL[,4], Mc = MOL[,5]+MOL[,6])
# Вывод графа связей между смежными пробными площадками, где обнаружены особи
MOL.Bc <- subset(cbind(MOL.xy, MOL[,3:4]), Bc_ad > 0) ; D.mat = as.matrix(dist(MOL.Bc[,1:2]))
plot(MOL.Bc[,1:2], type="p", pch=21, bg="green", cex=5*(MOL.Bc[,3])/max((MOL.Bc[,3])))
n = nrow(MOL.Bc); thresh = sqrt(2*1.5^2) # Соединяем всех соседей в радиусе 2.12 м
for(j in 1:(n-1)) { for(jj in (j+1):n) { if((D.mat[j,jj]<= thresh)&(D.mat[j,jj]>0))
lines(c(MOL.Bc[j,1], MOL.Bc[jj,1]), c(MOL.Bc[j,2], MOL.Bc[jj,2])) } }
# Построение моделей пространственного тренда
MOL.h <- decostand (MOL.sp, "hellinger") # Преобразование по Хеллингеру
MOL.poly <- poly(as.matrix(MOL.xy), degree=3, raw=TRUE)
colnames(MOL.poly) <- c("X","X2","X3","Y","XY","X2Y","Y2","XY2","Y3")
# Получение полной модели и последующая селекция информативных переменных
MOL.trend <- lm(as.matrix(MOL.h) ~ ., data=as.data.frame(MOL.poly)); summary(MOL.trend)
install.packages("packfor", repos="http://R-Forge.R-project.org")
forward.sel(MOL.h$Bc, MOL.poly, adjR2thresh=0.2313)
MOL.Bc.trend <- lm(MOL.h$Bc ~ X + X2 + XY + Y, data=as.data.frame(MOL.poly))
forward.sel(MOL.h$Mc, MOL.poly, adjR2thresh=0.1291)
MOL.Mc.trend <-lm(MOL.h$Mc ~ X + XY , data=as.data.frame(MOL.poly))
summary(MOL.Bc.trend) ; summary(MOL.Mc.trend)
# Получение детрендированных остатков
MOL.h.det <- as.data.frame(cbind(resid(MOL.Bc.trend),resid(MOL.Mc.trend)))
# Функция создания палитры фаций для трехмерного графика
hgt.pal <- function(z) {ny=ncol(z); nx=nrow(z)
hgt <- 0.25 * (z[-nx,-ny] + z[-1,-ny] + z[-nx,-1] + z[-1,-1])
286
hgt <- (hgt - min(hgt))/ (max(hgt) - min(hgt)) ; return (hgt) }
z <- matrix(MOL.Bc.trend$fit, ncol=8, nrow=20)
persp(unique(MOL.xy$x),unique(MOL.xy$y), z, theta = -60, phi = 25, xlab = "x",
ylab = "y", zlab = "n", ticktype = "detailed", col = gray(1 - hgt.pal(z)))
# Построение вариограммы для вида B.cylindrica по натуральным данным
MOL.v <- cbind(MOL.xy,MOL.sp) ; coordinates(MOL.v)=~x+y
Bc.v <- variogram(Bc ~ 1, MOL.v, cutoff=15, width=1.5)
plot(Bc.v$dist,Bc.v$gamma, ylim=c(2.5,7.5), type="b", lwd=2)
for (i in 1:100) { # Линии вариограммы для рандомизированного набора данных
Bc.vr <- variogram(sample(MOL.v$Bc,nrow(MOL.v)) ~ 1, MOL.v, cutoff=15, width=1.5)
lines(Bc.vr$dist,Bc.vr$gamma, col="grey") }
Bc.v <- variogram(Bc ~ 1, MOL.v, cutoff=12, width=1.5,map=TRUE) ;
plot(Bc.v,col.regions=gray((16:0)/16)) # Отрисовка поверхности вариограммы
# Построение вариограммы и ее модели по данным после элиминации тренда
MOL.dt.v <- cbind(MOL.xy, MOL.h.det) ; coordinates(MOL.dt.v)=~x+y
Bc.dt.v <- variogram(BcDt ~ 1, MOL.dt.v, cutoff=15, width=1.5)
Mc.mv <- vgm(0.08, "Sph", 5, nug = 0.02) # Параметры предполагаемой модели
plot(Bc.dt.v, model = fit.variogram(Bc.dt.v, model = Bc.mv),
# Построение коррелограмм на основе коэффициента Морана
nb1 <- dnearneigh(as.matrix(MOL.xy), 0,1.5)
Bc.correlog <- sp.correlogram(nb1, MOL.sp$Bc, order=8, method="I",zero.policy=TRUE)
Bc.det.cor <- sp.correlogram(nb1, as.vector(MOL.h.det[,1]),
col=1, ylim=c(0.06,0.105), lwd=2)
print(Bc.correlog, p.adj.method="bonferroni") ; print(Bc.det.cor, p.adj.method="bonferroni")
Mc.correlog <- sp.correlogram(nb1, MOL.sp$Mc, order=8, method="I",zero.policy=TRUE)
plot(Bc.correlog) ; plot(Mc.correlog)
MOL.h.D1 <- dist(MOL.h.det); # Построение коррелограммы Мантеля
(MOL.man_cor <- mantel.correlog(MOL.h.D1, XY=MOL.xy, nperm=999)) ; plot(MOL.man_cor)
MOL.man_cor$n.class ; MOL.man_cor$break.pts
order=8, method="I", zero.policy=TRUE)
7.7. Байесовский подход и марковские цепи Монте-Карло