Adonis结果P值小于0.05，一定代表两组样品物种构成差异显著吗？

最新推荐文章于 2023-07-28 18:02:01 发布
最新推荐文章于 2023-07-28 18:02:01 发布
阅读量5.8k 收藏 23
点赞数 5
文章标签： 机器学习 python 数据分析 可视化 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qazplm12_3/article/details/120559125
版权

前情回顾

方差分析基本概念：方差分析中的“元”和“因素”是什么？

PERMANOVA原理解释：这个统计检验可用于判断PCA/PCoA等的分群效果是否显著！

实战1：画一个带统计检验的PCoA分析结果

配对检验：画一个带统计检验的PcOA分析结果 （再进一步，配对比较）

你的adonis用对了吗？不同因素的顺序竟然对结果有很大影响

为PERMANOVA/Adonis分析保驾护航，检验数据离散度

非参数检验也不是什么都不需要关注，比如上面提到的因素顺序和方差加和方式是一个需要注意的点。除此之外，非参数多元方差分析应用时还有下面这些注意事项：

  1. PERMANOVA检验没有考虑变量之间的共线性关系，因此也不能够用于探索这种关系。

  2. 嵌套或分层设计 (Nested or hierarchical designs)时需要考虑合适的置换策略。

    需要明确哪些样品是真正可以交换的 (exchangeable)。

  3. PERMANOVA有个假设是balanced designs (不同分组的样本数相等), 非平衡设计也能处理。

  4. 如果不同组的样品在检测指标构成的空间的中心点没有差别，但每个组内检测指标离散度较大，也会导致获得显著性的P值。

    在解释结果时，需要同时评估数据离散度的影响。

vegdist评估数据离散度，再解释adonis的结果

前面我们用下面的代码检验了Managment对物种组成差异影响的显著程度，获得P-value=0.002 < 0.05，表示管理方式对物种组成有显著影响。但这一影响是否受到每个分组里面数据离散程度的影响呢？

library(vegan)
data(dune)
data(dune.env)
# 基于bray-curtis距离进行计算
set.seed(1)
dune.div <- adonis2(dune ~ Management, data = dune.env, permutations = 999, method="bray")

dune.div

## Permutation test for adonis under reduced model
## Terms added sequentially (first to last)
## Permutation: free
## Number of permutations: 999
## 
## adonis2(formula = dune ~ Management, data = dune.env, permutations = 999, method = "bray")
##            Df SumOfSqs      R2      F Pr(>F)   
## Management  3   1.4686 0.34161 2.7672  0.002 **
## Residual   16   2.8304 0.65839                 
## Total      19   4.2990 1.00000                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

我们还需要利用betadisper评估下每组样本物种组成的多元一致性 (Multivariate homogeneity of groups dispersions (variances))。如下代码计算出P=0.168表示不同分组样品检测指标的离散度(方差)没有显著差异。那么，adonis检测出的差异就是因为每组数据在空间的中心点不同造成的，进一步说明Management对物种组成有显著影响。

# 计算加权bray-curtis距离
dune.dist <- vegdist(dune, method="bray", binary=F)

# One measure of multivariate dispersion (variance) for a group of samples 
# is to calculate the average distance of group members to the group centroid 
# or spatial median in multivariate space. 
# To test if the dispersions (variances) of one or more groups are different, 
# the distances of group members to the group centroid are subject to ANOVA. 
# This is a multivariate analogue of Levene's test for homogeneity of variances 
# if the distances between group members and 
# group centroids is the Euclidean distance.
dispersion <- betadisper(dune.dist, group=dune.env$Management)
permutest(dispersion)

## 
## Permutation test for homogeneity of multivariate dispersions
## Permutation: free
## Number of permutations: 999
## 
## Response: Distances
##           Df  Sum Sq  Mean Sq      F N.Perm Pr(>F)
## Groups     3 0.13831 0.046104 1.9506    999  0.159
## Residuals 16 0.37816 0.023635

从下面的图上也可以看出，4种管理方式下样品在空间的中心点相距较远。（也可以参考前面如何美化这个图）

plot(dispersion, hull=FALSE, ellipse=TRUE) ##sd ellipse

ceb11b85b39e747855ea1c90e7889ac6.png

11a3280a14b915e91d18e1665b67c376.png

Q: When running adonis (vegan package) I got an r2 = 0.45, andp = 0.001. When I ran the betadisper and ran a subsequent permutation test I got an F = 1 and p = 0.3.

A: A non-significant result in betadisper is not necessarily related to a significant/non-significant result in adonis. The two tests are testing different hypothesis. The former testshomogeneity of dispersion among groups (regions in your case), which is a condition (assumption) for adonis. The latter tests no difference in ‘location’, that is, tests whether composition among groups is similar or not. You may have the centroids of two groups in NMS at a very similar position in the ordination space, but if theirdispersions are quite different, adonis will give you a significant p-value, thus, the result is heavily influenced not by thedifference in composition between groups but bydifferences in composition within groups (heterogeneous dispersion, and thus a measure of beta diversity). In short, your results are fine, you are meeting the ‘one assumption’ for adonis (homogeneous dispersion) and thus you are certain that results from adonis are ‘real’ and not an artifact of heterogeneous dispersions. For more information you can read Anderson (2006) Biometrics 62(1):245-253 and Anderson (2006) Ecology Letters 9(6):683-693. Hope this helps!

https://stats.stackexchange.com/questions/212137/betadisper-and-adonis-in-r-am-i-interpreting-my-output-correctly

数据离散度不同而中心点一致，adonis也可能显著

下面我们看一个模拟的例子，模拟出3套群体的物种丰度表，群体1、群体2、群体3的物种空间的中心点一致，而物种丰度的离散度依次变小，PERMANOVA检验显著，betadisper结果也显著，这时解释数据时就要小心。这个导致显著的原因是什么。

set.seed(1)
num <- 30
# 控制每个物种的均值
mean <- seq(10,120,by=10)
# 控制离散度
disp <- c(5,50,200)

# 模拟3组样品的数据；直接是转置后的物种丰度表
sites.a <- as.data.frame(mapply(rnbinom, n=num, size=disp[1], mu=mean))
rownames(sites.a) <- paste('site.a', 1:num, sep=".")
colnames(sites.a) <- paste('Species',letters[1:length(mean)], sep=".")

sites.b <- as.data.frame(mapply(rnbinom, n=num, size=disp[1:2], mu=mean))
rownames(sites.b) <- paste('site.b', 1:num, sep=".")
colnames(sites.b) <- paste('Species',letters[1:length(mean)], sep=".")

sites.c <- as.data.frame(mapply(rnbinom, n=num, size=disp, mu=mean))
rownames(sites.c) <- paste('site.c', 1:num, sep=".")
colnames(sites.c) <- paste('Species',letters[1:length(mean)], sep=".")

otu_table_t <- rbind(sites.a,sites.b,sites.c)
otu_table_t[sample(1:90,5),]

##           Species.a Species.b Species.c Species.d Species.e Species.f Species.g Species.h Species.i Species.j
## site.c.22        13        15        43        29        49        72        24       102        75        96
## site.a.26         8        23        46        29        25        15        91        49        58        54
## site.a.13        14        30        47        56        18        77       111       128        90        53
## site.a.14         5        15        17        56        37        75        81        59        63        58
## site.b.21        15        24         8        33        28        42       108        74        76        64
##           Species.k Species.l
## site.c.22       139       142
## site.a.26        87       129
## site.a.13        33        47
## site.a.14       164       183
## site.b.21        52       103

生成Metadata数据，包含样品的分组信息。目的就是检验不同组的物种构成是否有显著差异。

metadata <- data.frame(Sample=rownames(otu_table_t), Group=rep(c("A","B","C"), each=num))
rownames(metadata) <- metadata$Sample
metadata[sample(1:90,5),,drop=F]

##              Sample Group
## site.a.28 site.a.28     A
## site.b.12 site.b.12     B
## site.a.20 site.a.20     A
## site.b.10 site.b.10     B
## site.a.10 site.a.10     A
PCoA和NMDS分析可视化不同组样品物种组成的差异度

统计分析前，先直观的看一下不同组样本在物种定义的空间上的分布。

为什么要画个图：参考 - 什么是安斯库姆四重奏？为什么统计分析之前必须要作图？

# 计算加权bray-curtis距离
otu_dist <- vegdist(otu_table_t, method="bray", binary=F)

otu_pcoa <- cmdscale(otu_dist, k=3, eig=T)

otu_pcoa_points <- as.data.frame(otu_pcoa$points)
sum_eig <- sum(otu_pcoa$eig)
eig_percent <- round(otu_pcoa$eig/sum_eig*100,1)

colnames(otu_pcoa_points) <- paste0("PCoA", 1:3)

otu_pcoa_result <- cbind(otu_pcoa_points, metadata)

从PCoA的结果上来看，A,B,C三个组在第一、第二、第三主坐标轴没有明显的区分开。

library(ggplot2)
library(patchwork)

ggplot(otu_pcoa_result, aes(x=PCoA1, y=PCoA2, color=Group)) +
  labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""),
       y=paste("PCoA 2 (", eig_percent[2], "%)", sep="")) +
  geom_point(size=4) + stat_ellipse(level=0.9) +
  theme_classic() + coord_fixed() +
  ggplot(otu_pcoa_result, aes(x=PCoA1, y=PCoA3, color=Group)) +
  labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""),
       y=paste("PCoA 3 (", eig_percent[3], "%)", sep="")) +
  geom_point(size=4) + stat_ellipse(level=0.9) +
  theme_classic() + coord_fixed()

bc798a96eeba12b38956967555f0ef9d.png

从NMDS结果看，A,B,C三组也区分不开。

otu_mds <- metaMDS(otu_table_t, k=5)  #using all the defaults

## Square root transformation
## Wisconsin double standardization
## Run 0 stress 0.1131245 
## Run 1 stress 0.1131233 
## ... New best solution
## ... Procrustes: rmse 0.0003155417  max resid 0.001341899 
## ... Similar to previous best
## Run 2 stress 0.1131243 
## ... Procrustes: rmse 0.0009154324  max resid 0.00352237 
## ... Similar to previous best
## Run 3 stress 0.1131238 
## ... Procrustes: rmse 0.0002307456  max resid 0.001378836 
## ... Similar to previous best
## Run 4 stress 0.1131239 
## ... Procrustes: rmse 0.0002008885  max resid 0.0008441584 
## ... Similar to previous best
## Run 5 stress 0.1131233 
## ... Procrustes: rmse 0.0004594988  max resid 0.00248363 
## ... Similar to previous best
## Run 6 stress 0.1136538 
## Run 7 stress 0.1131231 
## ... New best solution
## ... Procrustes: rmse 6.187922e-05  max resid 0.0002788433 
## ... Similar to previous best
## Run 8 stress 0.1131234 
## ... Procrustes: rmse 0.000457399  max resid 0.002017475 
## ... Similar to previous best
## Run 9 stress 0.1131243 
## ... Procrustes: rmse 0.0003620819  max resid 0.001329571 
## ... Similar to previous best
## Run 10 stress 0.1131235 
## ... Procrustes: rmse 0.0001788438  max resid 0.0008840311 
## ... Similar to previous best
## Run 11 stress 0.1131248 
## ... Procrustes: rmse 0.0004674201  max resid 0.001960981 
## ... Similar to previous best
## Run 12 stress 0.1131231 
## ... New best solution
## ... Procrustes: rmse 0.0003807188  max resid 0.001578129 
## ... Similar to previous best
## Run 13 stress 0.1131238 
## ... Procrustes: rmse 0.0004016239  max resid 0.002178598 
## ... Similar to previous best
## Run 14 stress 0.113123 
## ... New best solution
## ... Procrustes: rmse 0.0001931854  max resid 0.0007886561 
## ... Similar to previous best
## Run 15 stress 0.1176584 
## Run 16 stress 0.1131244 
## ... Procrustes: rmse 0.000621146  max resid 0.002339344 
## ... Similar to previous best
## Run 17 stress 0.1131237 
## ... Procrustes: rmse 0.0004553297  max resid 0.0019548 
## ... Similar to previous best
## Run 18 stress 0.1131236 
## ... Procrustes: rmse 0.000454603  max resid 0.001894929 
## ... Similar to previous best
## Run 19 stress 0.1131241 
## ... Procrustes: rmse 0.0005855289  max resid 0.002455173 
## ... Similar to previous best
## Run 20 stress 0.113124 
## ... Procrustes: rmse 0.0005247607  max resid 0.001899271 
## ... Similar to previous best
## *** Solution reached

otu_mds_scores <- as.data.frame(scores(otu_mds))  

otu_mds_scores <- cbind(otu_mds_scores, metadata)

library(ggplot2)
ggplot(data=otu_mds_scores, aes(x=NMDS1,y=NMDS2,colour=Group)) + 
  geom_point(size=4) + 
  stat_ellipse(level = 0.9) +
  theme_classic()

6f2d84e98257183c3a8362a0c7a71212.png

进行Adonis检验和数据离散度评估

adonis结果显示Pr(>F)<0.05，统计显著；不同组之间的物种组成存在显著差异。这与PCoA和NMDS的结果还是有些不一致的。那这个统计差异是怎么来的呢？

library(vegan)
adon.results<-adonis(otu_dist ~ Group, data=metadata, perm=999)
print(adon.results)

## 
## Call:
## adonis(formula = otu_dist ~ Group, data = metadata, permutations = 999) 
## 
## Permutation: free
## Number of permutations: 999
## 
## Terms added sequentially (first to last)
## 
##           Df SumsOfSqs  MeanSqs F.Model      R2 Pr(>F)    
## Group      2   0.10752 0.053760  2.4707 0.05375  0.001 ***
## Residuals 87   1.89300 0.021759         0.94625           
## Total     89   2.00052                  1.00000           
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

betadisper检验Pr(>F)<0.05表明不同组的数据在空间分布的离散度显著不同。这是导致adonis结果显著的主要原因。不同分组之间物种的构成的显著不同不是体现在物种空间中心点的变化，而是物种空间离散度的变化。

mod <- betadisper(otu_dist, metadata$Group)
permutest(mod)

## 
## Permutation test for homogeneity of multivariate dispersions
## Permutation: free
## Number of permutations: 999
## 
## Response: Distances
##           Df   Sum Sq  Mean Sq      F N.Perm Pr(>F)    
## Groups     2 0.157498 0.078749 80.188    999  0.001 ***
## Residuals 87 0.085439 0.000982                         
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

用一组可视化来展示这个差异的成因

把每组样本抽提出来，分别绘制下PCoA的样品分布，可以看出，每组样品在PCoA定义的空间上中心点是很相近的，而样品分散程度不同。也就是说分组内样品的多样性反应到了不同分组的物种构成差异上了，这个“显著”的差异是不是我们关注的，需要自己来判断了。

# extract the centroids and the site points in multivariate space.  
centroids<-data.frame(grps=rownames(mod$centroids),data.frame(mod$centroids))
vectors<-data.frame(group=mod$group,data.frame(mod$vectors))

# to create the lines from the centroids to each point we will put it in a format that ggplot can handle
seg.data<-cbind(vectors[,1:3],centroids[rep(1:nrow(centroids),as.data.frame(table(vectors$group))$Freq),2:3])
names(seg.data)<-c("group","v.PCoA1","v.PCoA2","PCoA1","PCoA2")

# create the convex hulls of the outermost points
grp1.hull<-seg.data[seg.data$group=="A",1:3][chull(seg.data[seg.data$group=="A",2:3]),]
grp2.hull<-seg.data[seg.data$group=="B",1:3][chull(seg.data[seg.data$group=="B",2:3]),]
grp3.hull<-seg.data[seg.data$group=="C",1:3][chull(seg.data[seg.data$group=="C",2:3]),]
all.hull<-rbind(grp1.hull,grp2.hull,grp3.hull)

library(gridExtra)

panel.a<-ggplot() +
  geom_polygon(data=all.hull[all.hull=="A",],aes(x=v.PCoA1,y=v.PCoA2),colour="black",alpha=0,linetype="dashed") +
  geom_segment(data=seg.data[1:30,],aes(x=v.PCoA1,xend=PCoA1,y=v.PCoA2,yend=PCoA2),alpha=0.30) + 
  geom_point(data=centroids[1,1:3], aes(x=PCoA1,y=PCoA2),size=4,colour="red",shape=16) + 
  geom_point(data=seg.data[1:30,], aes(x=v.PCoA1,y=v.PCoA2),size=2,shape=16) +
  labs(title="A",x="",y="") +
  coord_cartesian(xlim = c(-0.2,0.2), ylim = c(-0.25,0.2)) +
  theme_classic() + 
  theme(legend.position="none")

panel.b<-ggplot() + 
  geom_polygon(data=all.hull[all.hull=="B",],aes(x=v.PCoA1,y=v.PCoA2),colour="black",alpha=0,linetype="dashed") +
  geom_segment(data=seg.data[31:60,],aes(x=v.PCoA1,xend=PCoA1,y=v.PCoA2,yend=PCoA2),alpha=0.30) + 
  geom_point(data=centroids[2,1:3], aes(x=PCoA1,y=PCoA2),size=4,colour="red",shape=17) + 
  geom_point(data=seg.data[31:60,], aes(x=v.PCoA1,y=v.PCoA2),size=2,shape=17) +
  labs(title="B",x="",y="") +
  coord_cartesian(xlim = c(-0.2,0.2), ylim = c(-0.25,0.2)) +
  theme_classic() + 
  theme(legend.position="none")

panel.c<-ggplot() + 
  geom_polygon(data=all.hull[all.hull=="C",],aes(x=v.PCoA1,y=v.PCoA2),colour="black",alpha=0,linetype="dashed") +
  geom_segment(data=seg.data[61:90,],aes(x=v.PCoA1,xend=PCoA1,y=v.PCoA2,yend=PCoA2),alpha=0.30) +
  geom_point(data=centroids[3,1:3], aes(x=PCoA1,y=PCoA2),size=4,colour="red",shape=15) + 
  geom_point(data=seg.data[61:90,], aes(x=v.PCoA1,y=v.PCoA2),size=2,shape=15) + 
  labs(title="C",x="",y="") +
  coord_cartesian(xlim = c(-0.2,0.2), ylim = c(-0.25,0.2)) +
  theme_classic() + 
  theme(legend.position="none")

panel.d<-ggplot() + 
  geom_polygon(data=all.hull,aes(x=v.PCoA1,y=v.PCoA2),colour="black",alpha=0,linetype="dashed") +
  geom_segment(data=seg.data,aes(x=v.PCoA1,xend=PCoA1,y=v.PCoA2,yend=PCoA2),alpha=0.30) + 
  geom_point(data=centroids[,1:3], aes(x=PCoA1,y=PCoA2,shape=grps),size=4,colour="red") + 
  geom_point(data=seg.data, aes(x=v.PCoA1,y=v.PCoA2,shape=group),size=2) + 
  labs(title="All",x="",y="") +
  coord_cartesian(xlim = c(-0.2,0.2), ylim = c(-0.25,0.2)) +
  theme_classic() + 
  theme(legend.position="none")

grid.arrange(panel.a,panel.b,panel.c,panel.d,nrow=1)

05f0a1c451a183a653d5b0b62e91093b.png

PERMANOVA的作者对这个问题的看法

Marti Anderson: “[…] Although there is also no explicit assumption regarding the homogeneity of spread within each group, PERMANOVA, like ANOSIM (Clarke 1993), will be sensitive to differences in spread (variability) among groups. Thus, if a significant difference between groups is detected using PERMANOVA, then this could be due to differences in location, differences in spread, or a combinationof the two. Perhaps the best approach is to perform a separate test for homogeneity (e.g., using the program PERMDISP) including pair-wise comparisons, as well as examining the average within and between-group distances and associated MDS plots. This will help to determine the nature of the difference between any pair of groups, whether it be due to location, spread, or a combination of the two. […]”

参考

  1. https://www.scribbr.com/frequently-asked-questions/one-way-vs-two-way-anova/

  2. MANOVA的前提假设 https://www.real-statistics.com/multivariate-statistics/multivariate-analysis-of-variance-manova/manova-assumptions/  https://www.statology.org/manova-assumptions/

  3. https://statistics.laerd.com/statistical-guides/one-way-anova-statistical-guide.php

  4. https://www.yunbios.net/h-nd-570.html

  5. https://mp.weixin.qq.com/s/v_k4Yhe9rBWM9y9A3P3wQw

  6. https://mp.weixin.qq.com/s?__biz=MzUzMjA4Njc1MA==&mid=2247484678&idx=1&sn=f95418a311e639704e9848545efc7fd7&scene=21#wechat_redirect

  7. https://chrischizinski.github.io/rstats/vegan-ggplot2/

  8. https://chrischizinski.github.io/rstats/adonis/

  9. https://chrischizinski.github.io/rstats/ordisurf/

  10. https://www.rdocumentation.org/packages/vegan/versions/1.11-0/topics/adonis

  11. https://www.jianshu.com/p/dfa689f7cafd

  12. https://stats.stackexchange.com/questions/312302/adonis-in-vegan-order-of-variables-non-nested-with-one-degree-of-freedom-for

  13. https://stats.stackexchange.com/questions/188519/adonis-in-vegan-order-of-variables-or-use-of-strata?noredirect=1

  14. https://github.com/vegandevs/vegan/issues/229

  15. https://stats.stackexchange.com/questions/476256/adonis-vs-adonis2

  16. 清晰解释Type I, Type II, Type III https://mcfromnz.wordpress.com/2011/03/02/anova-type-iiiiii-ss-explained/

  17. 清晰解释Type I, Type II, Type III https://stats.stackexchange.com/questions/60362/choice-between-type-i-type-ii-or-type-iii-anova

  18. https://thebiobucket.blogspot.com/2011/08/two-way-permanova-adonis-with-custom.html#more

  19. adonis的前提条件 https://thebiobucket.blogspot.com/2011/04/assumptions-for-permanova-with-adonis.html#more

  20. 作者的论文 https://static1.squarespace.com/static/580e3c475016e191c523a0e2/t/5813ba8b5016e1a5b61f454a/1477687949842/Anderson_et_al-2013-ANOSIM+vs.+PERMANOVA.pdf

  21. 离散度 adonis https://chrischizinski.github.io/rstats/adonis/

往期精品(点击图片直达文字对应教程)

414bce3121c2f69376193f1ee7f3e701.png

31d31cf05f2e06d3848e872561a72b18.png

0d842a0284c073253e06082ba26e26da.png

c249c01fd33b94ac2c775e98f347994c.png

776d9f5ee82a63b39878e8a55e966c8b.png

ce894f98d9b7f52f34913bb760b80314.png

88c1644d788390e7d8685b631e318a7c.png

6803e8c66a11979864b501833d2ada5e.png

d15a98538712ceb10f44f2d28a8dea03.png

c89e6b8365dfdcd99f09c783c4a727b8.png

bce1092afae3593c46faca0916cc8750.png

b9e29f751295179229eeb8d65aec2345.png

1915f31b6daaafa7e1b68311c9f1ee56.png

4ed8445a85d920650fc1fc1aa2b19082.png

8d06a040c8c8c09778fe3cad13a5614d.png

4426c4f65f25de74e3237ae512ee8be5.png

bf42ca3b5306570dab96b40f36321000.png

c0c085bd94e7380cb123fdcaaf210205.png

3e33d3954c085147fa2b91736ffed3c7.png

6b7456750c4fb8af921d42f28a843b62.png

1f6204384cbea6704d397cf650d885fc.png

48b9619d534dbad75c0b0ea04b8b623b.png

ccd7c66662889f9603cf4f447c5eda3e.png

6ff0d46b746bfac8c7d1cd27339df201.png

db9c6d6a2461203b8ba0b057b8da9132.png

2b52a29e09390ce62780546134e9e722.png

7057d5c4afe74e9cf4190ec093d5e2b2.png

a5c1d91cd7b6682dc0490f359d707815.png

机器学习

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集

6c4af04f2b1366140ed3692e92524ecc.png

5d797aed44b90dc5287363adef179ec1.png

c494899349b02b9a1bca3e798eb123d6.png

生信宝典
关注
  • 5
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
Adonis 多元方差分析
nom_nom_的博客
01-16 747
简单来说，在PCoA图基础上，使用Adonis分析，是为了分析我们的分组是否有意义（分组之间，在组成上是否有显著差异）：利用距离矩阵（比如基于Bray-Curtis距离、Euclidean距离）对总方差进行分解，，并使用置换检验对其统计学意义进行。越接近1，证明分组间差异越大。
p值小于0.05拒绝还是接受_被Nature科学家封杀的P值，到底有什么意义？
weixin_39553272的博客
11-21 4514
大数据文摘出品编译：武帅、宁静我们在日常生活中做出决定时，总会在心里提前打个“小算盘“——估算一下概率值P，研究者做某项检测，根据概率值P，得出最终的结果；资本家做投资，根据以往数据的统计分布，估算P值，得出最终的决策等等。P值在潜移默化地影响着我们的生活，那么有没有想过我们所依赖的P值到底可靠吗？P值的表面意义是，当原假设为真时，检验统计量出现某不应该值所需的概率；而其实际意义则是，只需多小的概...
vegan 包进行Adonis 分析
weixin_34202952的博客
12-18 4851
Adonis 分析 是基于距离矩阵的多变量方差置换分析， 代码示例：       默认使用bray 距离来计算样本间的距离矩阵 参考资料： https://www.rdocumentation.org/packages/vegan/versions/2.4-2/topics/adonis https://pdfs.semanticscholar.org/038e/8869b676aa365f2a...
【R生态】非参数多元检验（ADONIS、ANOSIM、PERMANOVA及MRPP等多元方差分析）
R酷的数据科学笔记
02-17 9097
R语言多元方差分析ADONIS、ANOSIM、PERMANOVA及MRPP的应用~
ADONIS
iteye_8230的博客
01-24 1019
ADONIS 是一种BP modeling language, 有DOC GMbh发明的。 ADONIS 用来描述BP从四个方面。 1. A process landscape 给出所有涉及到的Business Processes的概括 2. A business process model 3. a working environment model 用来描述机构的结构（the stuc...
ADONIS、ANOSIM、Mangel_test、MRPP
热门推荐
Christina
11-30 1万+
常规的T检验、方差分析等，可以用于比较组间变量的差异水平。由于这些常规方法都是对于1-2个特定变量而言的，那么如果我们想比较所有变量整体的差异，或者说各组对象间在变量组成上是否存在较大的不同，应该怎样做呢？多变量情形下，可能会首先想到使用PCA等排序分析方法去降维，然后在低维空间的排序图中观测对象的离散程度，组间区分是否明显等。然后我们首先看下面这个PCA。排序图中，显示setosa与virginica或versicolor之间区分明显，virginica和versicolor之间存在一定程度的重叠。这种组
adonis-js-forum:Adonis Node.js论坛
05-16
Adonis全栈应用 这是AdonisJs的全栈样板，已预先配置。 人体分析仪 会议 验证 Web安全中间件 CORS 边缘模板引擎 清醒的ORM 迁移与种子 设置 安装adonis CLI npm i -g adonis-cli 安装必要的依赖项 npm i 创建...
adonis-apollo-server:使用Apollo Server for Adonis的GraphQL实现
05-08
使用Apollo Server for Adonis的GraphQL实现 该软件包将Apollo GraphQL Server与AdonisJS框架集成在一起。 它允许您在AdonisJS应用程序中使用Apollo服务器。 注意：此软件包需要和 安装 yarn add --exact @lukinco...
Adonis Web框架-其他
06-11
Adonis是一个Node.js Web框架，专注于易用性与速度。它甚至是一个全栈Web框架，解决了许多Web开发难题，提供了一个干净稳定的API，用于构建Web应用和微服务，或者用于TDD（测试驱动开发）。
Adonis-Drive-Azure-Storage:Ad适用于Adonis Drive的Azure存储驱动程序
04-04
Adonis驱动器-Azure存储（blob）要求 :package: 阿多尼斯大道adonis install @adonisjs/drive Azure存储驱动程序npm install adonis-drive-azure-storage --save设置 :pencil: 将提供程序与@adonisjs/drive提供程序...
adonis-bundler:快速，零配置的AdonisJS资产捆绑器
05-12
Adonis Bundler是您可以在Adonis应用程序中找到的最简单的资产捆绑器。 它基于 ，这是一种非常快速，零配置的Web应用程序捆绑程序。 入门 该软件包应与Adonis CLI一起安装。 $ adonis install adonis-bundler 然后...
adonis视图——nodejs应用第一季04
悦度空间
09-10 384
查看更多资源 1.@each 与 $loop {{--$loop 中包含一些属性 --}} {{-- @each(entity in entities) <small> {{$loop.index + 1}}. first: <i>{{$loop.first}}</i> last: <i>{{$loop.l...
adonis异常处理
蛐蛐的博客
12-16 720
adonis框架对请求生命周期中抛出的各种异常提供了处理方法以及用户自定义异常处理器的方式，有关的类为： Ignitor->_setupExceptionsHandler()：点火器类，在启动程序时查找处理器类 Server->_getExceptionHandler():服务器类查找对应异常的处理器方法 Server->_handleException()：处理异常的方法 Server->han
2、用R做OTU表的adonis和anosim分析
最新发布
weixin_65283273的博客
07-28 1933
Adonis，多元方差分析，亦可称为非参数多元方差分析。其原理是利用距离矩阵（比如基于Bray-Curtis距离、Euclidean距离）对总方差进行分解，分析不同分组因素对样品差异的解释度，并使用置换检验对其统计学意义进行显著性分析。ANOSIM（analysis ofsimilarities）分析，也叫相似性分析，主要是用于分析高维度数据组间相似性的统计方法。R2越大说明组间差异越显著，反之为负值则说明组间差异小于组内差异。在进行pcoa或NMDS分析的时候，经常需要一个p值来衡量组间差异是否显著。
RNA-seq 保姆教程：差异表达分析（二）
冷冻工厂
11-20 3273
介绍 RNA-seq 目前是测量细胞反应的最突出的方法之一。RNA-seq 不仅能够分析样本之间基因表达的差异，还可以发现新的亚型并分析 SNP 变异。本教程[1]将涵盖处理和分析差异基因表达数据的基本工作流程，旨在提供设置环境和运行比对工具的通用方法。由于完整版过长，因此分为两部分，需要获取完整版的，请跳转文末。 7. 差异分析 将基因计数导入 R/RStudio 工作流程完成后，您现在可以使用基因计数表作为 DESeq2 的输入，使用 R 语言进行统计分析。 7.1. 安装R包 source("htt
画一个带统计检验的PcOA分析结果 （再进一步，配对比较）
悟道西方
09-26 2790
前期回顾方差分析基本概念：方差分析中的“元”和“因素”是什么？PERMANOVA原理解释：这个统计检验可用于判断PCA/PCoA等的分群效果是否显著！实战1：画一个带统计检验的PCoA分析...
QIIME2进阶五_QIIME2扩增子基因序列多样性分析
HUANWEIFENXI的博客
09-06 2609
本人在读研究生，方向环境微生物。之前在学习生物信息分析过程中在网络上四处奔走获取相关学习资料与解决问题，好生麻烦。于是，我就把与同学一起做的一些生物信息分析相关教程与经验总结搬运到这个CSDN这个大平台上来，希望能够与大家一起学习讨论。班门弄斧，大神见文多指教，抱拳抱拳抱拳抱拳！ 本节主要介绍了如何使用生物信息分析分析软件QIIME2对扩增子基因序列进行Alpha和Beta多样性分析，以及Alpha稀疏和深度选择。 本教程将使用来自人源化(humanized)小鼠的一组粪便样品，展示16S rRNA基因
16s rRNA微生物分析报告如何获得关键和有用分析
Hangzhou_Guhe的博客
10-21 3489
16S科研项目是一个完整的闭环，前期的课题项目设计方案、取样和重复实验设置决定了后期分析报告的数据完整性和项目类型。 想要拿到一手有利用价值的科研报告和项目数据，前期的实验方案设计和后续的分析都起着关键性的作用。 然而有时候拿到报告不知道如何去解读，这里为大家梳理一下16s科研项目的全过程，帮助大家更好的了解报告内容，快速获取关键信息。
R实战 | 置换多元方差分析（以PCoA的PERMANOVA分析为例）
weixin_45822007的博客
12-28 6570
adonis-cover置换多元方差分析（Permutational multivariate analysis of variance，PERMANOVA），又称非参数多因素方差分析（nonparametric multivariate analysis of variance）、或者ADONIS分析。它利用距离矩阵(如欧式距离、Bray-Curtis距离)对总方差进行分解，分析不同分组因素或不...
'adonis' will be deprecated: use 'adonis2' instead
03-29
However, based on the given message, it seems that 'adonis' is being deprecated and users are being encouraged to use 'adonis2' instead. This could mean that 'adonis' may no longer be supported or ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

生信宝典

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值