原文链接：http://tecdat.cn/?p=25564 

原文出处：拓端数据部落公众号

冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多因变量（multiresponse）回归分析的拓展。从概念上讲，RDA是因变量矩阵与解释变量之间多元多重线性回归的拟合值矩阵的PCA分析。

本报告对植物生态多样性做了数据分析。
 

冗余分析

首先，加载数据。

要加载数据，所有文件都必须在工作目录中。

1.  
   ste <- read.csv("sr.csv")
2.  
   ev <- read.csv("ev.csv")
3.  
   as <- read.csv("as.csv")

我对数据做了一些修改。首先，我将 ev 数据的所有定量变量（即除地貌单元外的所有变量）与 as 数据组合成一个名为 enqut. 然后，我对数据进行了归一化， 允许非常不同单位的变量之间进行比较。最后，我在归一化的定量环境变量中添加了地貌单元列，创建数据框 era，用于冗余分析。

1.  
   enqut<- cbind(ev[,-5],ap)
2.  
   enz <- scale
3.  
   ut <- env[,5]
4.  
   era<- data.frame

结构数据

我使用环境数据era 作为解释变量对植被结构进行了冗余分析。我将结果分配给对象 str。

summary(str)

 

 

 

 

然后我得到了这个分析的 R 方和调整后R 方。

RsquareAdj

RsqeAdj$adj.r.sqd

 制作三序图。

1.  
   par
2.  
   plot
3.  
   points
4.  
   usc <- scores
5.  
   points
6.  
   text

成分数据

首先我加载了物种数据。同样，该文件 PAl.csv 必须在工作目录中。为了降低大丰度的重要性，我将 Hellinger 转换应用于物种数据。

sp <- Hellinger(sp)

然后我使用所有环境变量作为解释变量进行了冗余分析。

1.  
    
2.  
   head(suda)

 

1.  
   # 获得R^2和调整后的R^2
2.  
   (sR2 <- RseAdj

(spdj <- RseAdj$adj.r.sed)

以2型标尺 对物种数据制作 RDA三序图。

1.  
    
2.  
    
3.  
    
4.  
   # 做好绘图空间
5.  
   par
6.  
   plot
7.  
   # 绘制站点的分数
8.  
   spc <- scores
9.  
   points
10.  
     
11.  
    # 绘制出物种的点数
12.  
    ssc <- scores
13.  
    points
14.  
     
15.  
    # 绘制定量解释变量的箭头和它们的标签
16.  
    spesc <- scores
17.  
    arrows
18.  
    env.names
19.  
    text
20.  
     
21.  
    # 绘制地貌单元中心点和它们的标签的绘图点
22.  
    spsc <- scores
23.  
    points
24.  
    text

论文图形

这是为论文制作图形的代码。

1.  
    
2.  
    
3.  
   par
4.  
   ensc <- scores
5.  
   arrows
6.  
   points
7.  
    
8.  
   # 制作绘图空间
9.  
   par
10.  
    plot
11.  
    abline
12.  
    mtext
13.  
     
14.  
    # 绘制站点的分数
15.  
    spsc <- scores
16.  
    points
17.  
     
18.  
    # 绘制出物种的点数
19.  
    sp.sc <- scores
20.  
    points
21.  
     
22.  
    # 绘制定量解释变量的箭头和它们的标签
23.  
    spsc <- scores
24.  
    arrows
25.  
    text
26.  
     
27.  
    # 绘制地貌单元中心点和它们的标签的绘图点
28.  
    unimes
29.  
    spusc <- scores
30.  
    points
31.  
    text

---

最受欢迎的见解

1.matlab偏最小二乘回归(PLSR)和主成分回归(PCR)

2.R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析

3.主成分分析(PCA)基本原理及分析实例

4.基于R语言实现LASSO回归分析

5.使用LASSO回归预测股票收益数据分析

6.r语言中对lasso回归，ridge岭回归和elastic-net模型

7.r语言中的偏最小二乘回归pls-da数据分析

8.r语言中的偏最小二乘pls回归算法

9.R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）