Cvičení 4
1. Importujte dataset o popisující rybí společenstva v řece Doubs. Budete potřebovat pouze
data o druhovém složení.
2. Proveďte souhrn dat a zkontrolujte, že se načetla správně
3. Spočtěte na datech PCA. Data obsahují hodně nul. Použijte proto Hellingerovu
standardizaci.
4. Zobrazte summary analýzy a množství variability vysvětlené osami
5. Zhodnoťte významnost os. Použijte k tomu screeplot.
6. Prostudujte si funkci ordiplot a její použití – jednak v popisu dole a jednak v R
dokumentaci.
7. Nakreslete ordinační diagram pro první a druhou osu a pro první a třetí osu; zobrazte na
ordinačním diagramu druhy a lokality. Nastavte škálování ordinačních skóre na korelace
mezi druhy.
Odtud pracujte samostatně ve skupinách
8. Importujte dataset popisující rostlinná společenstva v Bílých Karpatech. Budete potřebovat
data o proměnných prostředí
9. Proveďte souhrn dat a zkontrolujte, že se načetla správně
10. Spočtěte na datech PCA. Vzhledem k tomu, že jde o měřené proměnné, proveďte
standardizaci po proměnných. Druhá proměnná je kategoriální – tu musíte z analýzy vyřadit
11. Zhodnoťte významnost os. Použijte k tomu screeplot.
12. Nakreslete ordinační diagram pro významné osy; zobrazte na ordinačním diagramu
proměnné pomocí šipek a názvů. Lokality zobrazte pomocí bodů. Škálování nastavte
symetrické.
13. Zkuste zjistit, jak se výsledky analýzy změní, když provedete standardizaci po vzorcích.
vegan:
rda() Analýza hlavních komponent (PCA), Redundanční analýza (RDA)
PCA je možné zadat pomocí rda(matice druhů/proměnných)
scale = T provede standardizaci po druzích (proměnných)
plot.rda(), nakreslí ordinační diagram, scores() extrahuje skóre
na ordinačních osách (používají velmi podobný set parametrů)
choices výběr ordinačních os
display specifikuje typ skóre
= “sites” skóre vzorků
= “species” skóre druhů (proměnných)
scaling specifikuje, která skóre se mají škálovat podle
eigenvalues
= 1 nebo “sites” vzorky; jejich vzdálenosti pak
odpovídají nepodobnostem
= 2 nebo “species” druhy (proměnné); úhly mezi šipkami
pak odpovídají korelacím/kovariancím mezi nimi
= 3 nebo “symmetric” symetrické škálování vzorků i druhů
odmocninou z eigenvalues
xlab, ylab doporučuju používat k znázornění množství
vysvětlené variability, např. xlab = “PC1 (30.5%)”
ordiplot() alternativní (a lepší) možnost kreslení ordinačních
diagramů. Většina parametrů je stejná jako ve scores(). Nejlepší
zkůsob kreslení je použít ordiplot s parametrem type=‘n‘ a
výsledek uložit do objektu. tj.
plot.obj<-ordiplot(pca.obj.,type=’n’, další parametry). Výsledkem
je prázdný ordinační diagram do kterého je možné přidávat objekty
pomocí funkcí text nebo points.
text(ordiplot), points(ordiplot)
what co se bude kreslit (odpovídá par. display ve scores)
arrows = T skére jsou znázorněna pomocí šipek (vhodné pro
druhy nebo proměnné v lineárních ordinacích)
length důležitý parametr, který ovlivňuje velikost hrotu
šipek (viz základní funkce arrows())
eiganvals() extrahuje eigenvalues ordinačních os
screeplot() nakreslí screeplot eigenvalues
bstick = T nakreslí do barplotu očekávání dle broken-stick
modelu
abline(h=mean(eigenvals(ordination.object)), lty=2) přidá do orázku
čárkovanou čáru znázorňující průměrné eigenvalue přes všechny
osy (Kaiser-Guttman kritérium)