TomatoSCI分析日记——冗余分析（RDA）

        今天带来的内容是冗余分析（Redundancy Analysis），RDA。它结合了回归分析与主成分分析（PCA）的特点，用于探索两个数据矩阵之间的线性关系。常用在生态学领域，比如分析物种的多样性（通过多样性指标衡量）与环境因子的关系。废话少说，直接讲案例。

01 RDA的数据形式

        做RDA要准备两份数据，一份物种的多样性数据（数据A，图1A）。一份是环境因子数据（数据B，图1B），通过相同的站位把它们们链接起来，注意站位一定要相同。以数据A为响应变量，数据B为解释变量，进行分析。

02 RDA分析结果

        完整的RDA分析通常包括各解释变量的p值，用得最多的就是蒙特卡洛置换检验，对RDA中的解释变量进行检验，看是否显著，如果显著即可以进行进一步讨论。

        回到RDA的结果，结果通常包括一个图（图2A）和一些数据（图2B）。图其实就是对数据中除蒙特卡洛检验结果外的可视化。接下来说一下结果怎么看：

1. 首先，我们查看一下各解释变量的p值，大于0.05的变量可以剔除；
2. 各环境变量与RDA1和RDA2的轴的相关性其实就是指该变量的箭头在RDA1或RDA2轴上的投影，体现的是该变量在RDA1和RDA2轴上的解释力；
3. 降维分析一般只看两个轴，RDA1和RDA2的贡献率很大程度上就代表了这个分析结果是否局有说服力，在这个例子中，RDA1和RDA2解释了86%左右的变异，表现不错。

        接下来看看图。假设图2A中所有解释变量的p值都小于0.05，所有变量都纳入讨论范围：

1. 看箭头，箭头越长，变量的总解释力越强，这里应该与RDA1或RDA2单独的解释力区分；
2. 看变量之间的夹角。两个箭头之间的夹角的余弦值（cosine）反映了它们的相关性。夹角为0度为完全正相关（cos值为1），夹角为90度为无相关（cos值为0），夹角为0度为完全负相关（cos值为-1）

03 RDA分析的注意事项

        RDA融入了降维方法变得高级了一些，但是对于结果的要求也变高了。好的RDA结果应该注重两个方面：第一，RDA1和RDA2两条轴的解释百分比总和越高越好，如果过低不可使用；其次就是蒙特洛卡检验结果如果所有解释变量的p值都大于0.05则不可使用。

希望我的经验能够帮到你！

TomatoSCI，欢迎大家来访！