空间自相关是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性,如生物多样性指数较高只是因为周边的值较高影响所致,所以要尽量避免这一效应,虽然最近有文章探讨排除与否好像不是很大……
言归正传,排除的方法很多,在R里面有相应的包,但是往往数据整理需要一定功夫,不如SAM(http://www.ecoevol.ufg.br/sam/)软件来的快,所以本文讲述一下如何用SAM软件来做。
1. 数据存成规定的模式,第一行是变量和反应量等信息的名称,之后是具体的数据,尤其要注意的是要有经纬度(或样地编号成矩阵排列的)
2. 首先检验是否有空间自相关的影响(每个反应量都要进行这一步),点击“Modelling”----“Spatial Eigenvector mapping”,选择反应量如“Species richness”,检测Longitudinal coordinate(X)等是否正确,点下面的“Calculate”----“Compute”,如若提示“Problemsfound during……”则表示无空间自相关影响可进行一般的模型拟合即可,如若无提示,则表明存在,可进行下一步操作“spatial filters”这时候软件自动选择了可能会有影响的spatial filters,点击“save”---“OK”,这样就自动储存了你的spatial filters了,做模型的时候要用到的。
注:检测空间自相关可以直接用“structure”---“Moran’s I correleogram”,看结果中的值判定。不过建议用以上方法,因为上面的结果可以直接用到。
3. 下一步是模型选择:
“Modeling”----“Model Selection and Multi-Model Inference”,点击左边框中上栏中的反应量如“species”,将左边框中下栏中的所有可能的解释因子放到“Predictor variable(s) to be selected”框内,讲步骤2中保存的spatialfilters放到“Predictor variable(s) present in all models”内(表明空间自相关的因素被所有模型考虑并排除),点击“Compute”。
注:如数据量大的话,建议用高配置的电脑,运算会快很多。
4. 这样就得到很多模型了,可选择最好的模型,记住最好模型中的自变量等,进行下一步操作:
“Liner regression analysis”-----左边框上栏选中反应量如“species”,在1st Predictor Set下的方框内将你要的解释量加进去,如若你的数据分为几个大部分,如环境变量,种群压力等,可分别将变量放在1st Predictor Set,2nd Predictor Set, 3rd Predictor Set之下的方框内,可检验每个部分的解释量及其之间的公共解释量。在最后一个Predictor Set下放置保存的spatial filters的那些因子。
点击“Compute”,即完成。
5. 结果查看部分:
“Analytical Results”可以查看总的解释度,然后“Partial Regression”可以查看每部分及其相互作用之间的解释度。
6. 依次对其他的反应量进行此类操作
声明:此方法学自Ferry Slik教授。
来自:http://blog.sciencenet.cn/blog-434209-726398.html