R素食主义者物种得分和物种与axis的Primer Spearman等级相关性之间的差异是什么？

在约束排序分析中，如

CAP

或

dbRDA

，研究人员通常想知道有多少差异归因于特定物种。在

Primer PERMANOVA

中，

Spearman rank

或

Pearson物种与轴的相关性

是一个选项，它提供了物种的估计，当使用CAP或RDA时，物种组合之间的变化特征。在R中，

vegan

提供了一种不同的测量方法，称为物种分数，可以计算，但必须仔细考虑潜在的缺点。 当使用capscale时

---

我想更好地了解在

Primer PERMANOVA

中如何计算相关性和物种分数。首先，这些方法的目的究竟有什么不同？使用

Spearman

或

Pearson相关系数

超过R-

素食者

的物种得分有哪些优点和缺点？Primer中物种-轴相关性的计算方法是否存在类似的问题，如

capscale

或

dbrda

中物种分数的上述链接所述？在Primer中，社区矩阵和axis使用了哪些变量来计算它们之间的相关性？这些是原始数据还是转换后的数据？最后，如果相关方法比R中的物种得分更好地估计了物种引起集合间差异的相对数量，那么这是否应该被视为R素食主义者物种得分的替代方法

我从未见过PRIMER，我无法评论素食主义者与PRIMER之间的区别，但我可以解释我们如何在素食主义者中工作

如果你把拟合环境变量的物种分数看作箭头，那么有两个不同的方面：方向和长度。首先是关于箭头的方向

一般来说，箭头不平行于轴，但它们指向物种或环境变量变化最快的方向。箭头方向可从线性模型

lm（y~Ax1+Ax2）

中找到。如果

y

是一个物种，则给出物种得分的箭头；如果

y

是一个环境变量，则给出一个拟合向量。将物种与轴关联意味着两个独立的模型

lm（y~Ax1）

和

lm（y~Ax2）

。素食者模型定义了一个线性趋势面，轴模型定义了两个独立的线性趋势面，每个线性趋势面沿一个轴具有最陡的梯度。以下示例显示了线性模型如何与素食者的PCA物种分数相关：

library(vegan)
data(varespec)
pc <- rda(varespec)
biplot(pc) # species scores as biplot arrows
plot(envfit(pc ~ Pleuschr + Cladarbu + Cladrang + Cladstel, varespec))
ordisurf(pc ~ Cladstel, varespec, knots = 1, add = TRUE)

library（素食主义者）
数据（varespec）
pc 1

然后是箭头的长度，或者物种与原点的距离。
envfit（）
函数可以找到正确的方向，但它可以通过相关系数来缩放箭头长度。在PCA和RDA中，我们有几个可供选择的缩放选项：参见
评分中的
缩放
和
相关性
的详细描述。默认（
correlation=FALSE
）缩放使箭头与物种丰度的绝对变化成比例。也就是说，丰富的物种可以改变很多，可以有长箭头，但稀有物种只能改变一点，并且总是有短箭头。这是绝对的变化，而不是相对的变化。当
correlation=TRUE
时，箭头长度与相对变化成比例，并且类似于
envfit
中使用的相关性缩放。再次学习手册了解详细信息（
？scores.cca
）。
请参阅下面Marti Anderson回复与上述问题相关的电子邮件的非常有用的回复-经其许可复制：

亲爱的菲利普：

感谢您的信息和对所有这些方法及其解释的兴趣。
我不会评论在vegan中实现的基于R的东西，因为毫无疑问Jari最能做到这一点，但我很乐意评论PRIMER/PERMANOVA软件中实现的原始秩（或Perason）相关向量。
首先，我要强调，这些都是一种探索性的工具。很简单，它们所做的只是显示单个物种（或其他变量）与排序轴的原始（或多重）相关性。使用它们的两个重要注意事项或此处需要注意的重要事项。首先，他们没有直接告诉你任何关于个别物种在dbRDA（或NMD或PCO，或你所说的任何排序轴）驱动模式中可能发挥的具体作用。它们不能这样做，因为它们是在事实之后绘制的，而且，正如我们所知，原始物种变量和排序轴之间的关系，在很多情况下，预计根本不是线性的（甚至是单调的）。排序（通常）是在某些选择的相异度量（如BC或Jaccard等）的空间中进行的。这有很多原因（我相信你已经知道了，我不会再谈了）是合适的。要查看在受约束的排序空间（如dbRDA（或任何其他排序））中单个物种的模式，我建议您使用气泡图，这是一种更精细的模式可视化工具。（顺便说一句，在初级读物7中，你可以叠加分段气泡图，以这种方式同时可视化一组物种的模式。气泡图的优点是，对于任何给定的物种，它们能够显示可能发生的任何模式，包括组间的阶跃变化、因素间的潜在相互作用、unimodal或多模态模式沿梯度等。现在，使用秩（或皮尔斯）等