Konfidenzintervalle um einen Schwerpunkt mit modifizierter Gower-Ähnlichkeit

Ich möchte 95% -Konfidenzintervalle für Zentroide erhalten, basierend auf der Gower-Ähnlichkeit zwischen einigen mulivariaten Proben (Community-Daten von Sedimentkernen). Bisher habe ich das vegan{}Paket in R verwendet, um eine modifizierte Gower-Ähnlichkeit zwischen Kernen zu erhalten (basierend auf Anderson 2006; jetzt in R als Teil von enthalten vegdist()). Weiß jemand, wie ich 95% -Konfidenzintervalle für die Schwerpunkte von beispielsweise Probenahmestellen basierend auf der modifizierten Gower-Ähnlichkeit berechnen kann?

Wenn möglich, möchte ich diese 95% CIs außerdem auf einem PCO darstellen, auf dem die Zentroide angezeigt werden. Es ist also offensichtlich, ob sie sich überlappen.

Um die modifizierte Gower-Ähnlichkeit zu erhalten, habe ich Folgendes verwendet:

dat.mgower <- vegdist(decostand(dat, "log"), "altGower")

Aber soweit ich weiß, bekommt man keine Zentroide von vegdist(). Ich muss Zentroide bekommen, dann 95% CIs, dann sie zeichnen ... in R. Hilfe!

Anderson, MJ, KE Ellingsen und BH McArdle. 2006. Multivariate Dispersion als Maß für die Beta-Diversität. Ecology Letters 9: 683–693.

Mir ist nicht sofort klar, welchen Schwerpunkt Sie möchten, aber der Schwerpunkt, der mir in den Sinn kommt, ist der Punkt im multivariaten Raum im Zentrum der Masse der Punkte pro Gruppe. Darüber möchten Sie eine 95% ige Vertrauensellipse. Beide Aspekte können mit der ordiellipse()Funktion in vegan berechnet werden . Hier ist ein modifiziertes Beispiel aus der ?ordiellipseVerwendung eines PCO als Mittel zum Einbetten der Unterschiede in einen euklidischen Raum, aus dem wir Schwerpunkte und Vertrauensellipsen für Gruppen ableiten können, die auf der Nature Management-Variablen basieren Management.

require(vegan)
data(dune)
dij <- vegdist(decostand(dune, "log"), method = "altGower")
ord <- capscale(dij ~ 1) ## This does PCO

data(dune.env) ## load the environmental data

Jetzt zeigen wir die ersten 2 PCO-Achsen an und fügen eine 95% -Konfidenzellipse hinzu, die auf den Standardfehlern des Durchschnitts der Achsenwerte basiert. Wir möchten, dass Standardfehler festgelegt werden, kind="se"und verwenden Sie das confArgument, um das erforderliche Konfidenzintervall anzugeben.

plot(ord, display = "sites", type = "n")
stats <- with(dune.env,
              ordiellipse(ord, Management, kind="se", conf=0.95, 
                          lwd=2, draw = "polygon", col="skyblue",
                          border = "blue"))
points(ord)
ordipointlabel(ord, add = TRUE)

Beachten Sie, dass ich die Ausgabe von erfasse ordiellipse(). Dies gibt eine Liste zurück, eine Komponente pro Gruppe, mit Details zum Schwerpunkt und zur Ellipse. Sie können die centerKomponente aus jeder dieser Komponenten extrahieren , um zu den Schwerpunkten zu gelangen

> t(sapply(stats, `[[`, "center"))
         MDS1       MDS2
BF -1.2222687  0.1569338
HF -0.6222935 -0.1839497
NM  0.8848758  1.2061265
SF  0.2448365 -1.1313020

Beachten Sie, dass der Schwerpunkt nur für die 2d-Lösung gilt. Eine allgemeinere Option besteht darin, die Zentroide selbst zu berechnen. Der Schwerpunkt ist nur der einzelne Durchschnitt der Variablen oder in diesem Fall der PCO-Achsen. Während Sie mit den Unähnlichkeiten arbeiten, müssen sie in einen Ordnungsraum eingebettet sein, damit Sie Achsen (Variablen) haben, aus denen Sie Durchschnittswerte berechnen können. Hier sind die Achsenbewertungen in Spalten und die Stellen in Zeilen. Der Schwerpunkt einer Gruppe ist der Vektor der Spaltenmittelwerte für die Gruppe. Es gibt verschiedene Möglichkeiten, die Daten aggregate()aufzuteilen, aber hier verwende ich , um die Punktzahlen auf den ersten beiden PCO-Achsen in Gruppen aufzuteilen Managementund deren Durchschnittswerte zu berechnen

scrs <- scores(ord, display = "sites")
cent <- aggregate(scrs ~ Management, data = dune.env, FUN = mean)
names(cent)[-1] <- colnames(scrs)

Das gibt:

> cent
  Management       MDS1       MDS2
1         BF -1.2222687  0.1569338
2         HF -0.6222935 -0.1839497
3         NM  0.8848758  1.2061265
4         SF  0.2448365 -1.1313020

Dies entspricht den Werten, die statswie oben extrahiert gespeichert wurden . Der aggregate()Ansatz verallgemeinert sich auf eine beliebige Anzahl von Achsen, z.

> scrs2 <- scores(ord, choices = 1:4, display = "sites")
> cent2 <- aggregate(scrs2 ~ Management, data = dune.env, FUN = mean)
> names(cent2)[-1] <- colnames(scrs2)
> cent2
  Management       MDS1       MDS2       MDS3       MDS4
1         BF -1.2222687  0.1569338 -0.5300011 -0.1063031
2         HF -0.6222935 -0.1839497  0.3252891  1.1354676
3         NM  0.8848758  1.2061265 -0.1986570 -0.4012043
4         SF  0.2448365 -1.1313020  0.1925833 -0.4918671

Offensichtlich ändern sich die Schwerpunkte auf den ersten beiden PCO-Achsen nicht, wenn wir nach mehr Achsen fragen. Sie können also die Schwerpunkte über alle Achsen einmal berechnen und dann die gewünschte Dimension verwenden.

Sie können die Schwerpunkte zum obigen Diagramm mit hinzufügen

points(cent[, -1], pch = 22, col = "darkred", bg = "darkred", cex = 1.1)

Das resultierende Diagramm sieht nun so aus

Schließlich enthält vegan die adonis()und betadisper()-Funktionen, mit denen Unterschiede in den Mitteln und Varianzen multivariater Daten auf eine Weise untersucht werden sollen, die Martis Papieren / Software sehr ähnlich ist. betadisper()ist eng mit dem Inhalt des von Ihnen zitierten Papiers verknüpft und kann die Zentroide auch für Sie zurückgeben.