【R分享实战】方差分解分析（Variationpartitionanalysis）及其显著性检验.docx

【R分享实战】方差分解分析（Variationpartitionanalysis）及其显著性检验 “?世上所有的成功只是努力的另一个代名词。”???--科白君 R实战专题·第13篇 编辑?|?科白维尼? 3470字 | 8分钟阅读 本期推送内容高分期刊中频频登场的方差分解分析(VPA)到底是啥？可能很多同学还没接触过该分析。目前，群落分析中常见的环境因子分析包括典范对应分析（canonical correspondence analysis）和冗余分析 (Redundancy analysis)，这两种类型分析都是基于降维的思想，将样本、物种、环境因子的信息映射到二维平面上，从而判断三者间的关系，可用于发现对群落结构有影响的环境变量。而VPA分析可以看做是CCA/RDA分析的一种升级。用几组解释变量（如环境、气候、土壤因子等数据）来共同解释一组响应变量的变化（如微生物数据），当我们需要某个解释变量所能够解释的方差变异程度信息（即某个环境因子对群落结构变化的贡献度）时，就可以采用VPA分析加以补充。 01 方差分解分析 方差分解的数学原理，可以参考该链接，有比较清晰且易理解的介绍/gustame/constrained-analyses/variation-partitioning。 从土壤微生物生态领域的角度：就是将每个解释变量（环境因子）进行独立运行CCA或RDA，获得每个解释变量（环境因子）对于响应变量（微生物群落）的方差变异的解释贡献度，之后通过将多组数据取交并集的方式获得每个解释变量（环境因子）的独立解释贡献度以及环境因子共同解释的贡献度。 今天目的是教会大家利用R语言进行VPA分析及其对应解释度的显著性检验。废话不多说，进入代码讲解~ 02 利用R语言进行VPA分析 这里主要到vegan包中的varpart()函数并使用自带的数据集来进行VPA分析，并使用plot以图形式输出结果。温馨提示：关于VPA分析时所用的环境因子的分类是可以根据你自己选择来划分的，例如现有气候因子年均温、年降雨量；土壤理化因子有pH、SOC、TN、TP、TK、含水率、阳离子交换量。响应变量为土壤微生物丰度数据。因此，我将所有变量划分为两个解释变量：气候和土壤理化。 加载自带数据集 mite、mite.env、mite.pcnm。其中mite为物种丰度数据，mite.env和mite.pcnm为环境因子数据。 # intall.packages(vegan) # 加载vegan包 library(vegan) # 读取vegan包自带数据集 data(mite) head(mite) data(mite.env) head(mite.env) data(mite.pcnm) head(mite.pcnm) 结果： 注意，数据格式的模仿：数据集的行为样本编号，列为物种或者环境变量。 接着，我们利用varpart()函数进行拟合模型。由于mite.pcnm的数据集太大了，我们就取了取了前5个作为第二个环境因子。 # 拟合模型 varpart # 简单了解函数用法 fit - varpart (mite, mite.env, mite.pcnm[,1:5], transfo=hel)? fit 进行VPA分析时，需要记住：第一个数据物种数据，之后两个数据分别代表不同的环境变量，transfo表示对数据进行转换，hel为hellinger转换，避免“弓形效应”。 第一个结果： 为了让大家更好的理解VPA分析的结果，这里举例解读 如图所示微生物群落的方差总体解释量为Y，检测了两个环境因子数据X1、X2。VPA是将两个环境因子的数据各自独立运行RDA分析（RDA则为标准化后的解释变量对响应变量逐一进行多元回归分析，获得拟合值、残差值，最终整合成为拟合值矩阵，该矩阵进行PCA、然后排序所得结果），获得每个环境因子对于群落整体变差校正解释量，再运行两者共同存在时获得校正后解释度数据R方，具体得到如下结果： [独立运行X1的RDA]：A+C部分解释贡献度占比 [独立运行X2的RDA]：B+C部分解释贡献度占比 [共同运行X1和X2的RDA]：A+B+C部分解释贡献度占比 最后可以得到： [A]= [共同运行X1、X2的RDA]- [独立运行X2的RDA] [B]= [共同运行X1、X2的RDA]- [独立运行X1的RDA] [C]= [共同运行X1、X2的RDA]- [A]- [B] [未被这两种环境因子解释到的残差(D)]=Y- [A]-[B]- [C] 第二个结果： 使用plot函数可视化得到的VPA分析结果： plot(fit, bg = c(hotpink,skyblue)) # bg表示两个变量的背景颜色 结果： 通过维恩图的展示就可以清楚的看到每种环