我一直在做一些排序的数据集,我有丰富的物种在不同的取样点。我在素食中使用metaMDS()来做这件事。有了这个函数,您可以:
vegdist()来完成这个任务。另一方面,你可以
metaMDS一个您已经创建的距离矩阵,可能使用vegdist() (与metaMDS()函数分开)。我感到困惑的是,如果我做第一个策略,我得到一个答案,当我做第二个(然后将距离矩阵放入metaMDS()函数)时,我得到一个完全不同的答案(非常不同的应力值,不同的排序坐标)。当我调用在第一种策略中创建的距离矩阵时,距离与从vegdist()函数得到的完全不同。我顺便读到,研究其他的东西,当metaMDS()调用vegdist()函数时,它是在多维空间中找到距离,而仅仅使用vegdist()是在一个一维中。
本质上,我的问题是metaMDS()是如何用vegdist()调用和计算距离的(它是在多维空间中进行的吗?)这与仅仅使用vegdist()本身有什么不同呢?希望在理解这些差异的过程中,我能够分辨出哪种方法是我的数据集的最佳和最合适的方法。
mrja<-read.table("example.txt")
jac<-vegdist(mrja,method="jaccard")
head(jac)
[1] 0.7910448 0.8721461 0.7157360 0.9075908 0.9335038 0.9104478 ###first six distances
ordjac1<-metaMDS(jac,k=2)
ordjac1$stress
[1] 0.169781
ordjac1
Call:
metaMDS(comm = jac, k = 2)
global Multidimensional Scaling using monoMDS
Data: jac
Distance: jaccard
Dimensions: 2
Stress: 0.169781
Stress type 1, weak ties
No convergent solutions - best solution after 20 tries
Scaling: centring, PC rotation
Species: scores missing
ordjac2<-metaMDS(mrja,k=2,distance="jaccard")
ordjac2$stress
[1] 0.2367037
head(ordjac2$dist)
[1] 5.259303e-06 2.812693e-05 1.879357e-02 1.216611e-01 3.913638e-02
[6] 7.444730e-02 ###first six distances
ordjac2
Call:
metaMDS(comm = mrja, distance = "jaccard", k = 2)
global Multidimensional Scaling using monoMDS
Data: wisconsin(sqrt(mrja))
Distance: jaccard
Dimensions: 2
Stress: 0.2367037
Stress type 1, weak ties
No convergent solutions - best solution after 20 tries
Scaling: centring, PC rotation, halfchange scaling
Species: expanded scores based on ‘wisconsin(sqrt(mrja))’发布于 2014-09-03 14:00:04
没有足够的信息,但也许metaMDS执行了一些转换和标准化。在跟踪信息和打印输出中都可以看到这一点。例如,我们有
> metaMDS(varespec)
Square root transformation
Wisconsin double standardization
...
global Multidimensional Scaling using monoMDS
Data: wisconsin(sqrt(varespec))
Distance: bray 这告诉你,数据首先是斯夸鲁特变换,然后是威斯康星标准化。你看到这样的东西了吗?您可以通过在autotransform = FALSE调用中设置参数metaMDS()来关闭这些参数。你可以先向我们提供这些信息。
https://stackoverflow.com/questions/25629645
复制相似问题