![2602c6b34dbc1af0b50efad709a0d78a.gif](https://i-blog.csdnimg.cn/blog_migrate/737ef2f128b5248326c4bece70afd4d8.gif)
![cfeef11ccaf8074d7971a3678e653311.gif](https://i-blog.csdnimg.cn/blog_migrate/9814e37d0bdbe3343f09c82ea78046f8.gif)
![d0cd544fc38fa78c52588aa1e92ea07b.png](https://i-blog.csdnimg.cn/blog_migrate/853b9e982bbdbfd48ee6a90e0e9b557f.jpeg)
由于PCA只是探索性分析,用于描述数据分布,不涉及统计检验,因此无法给出一个指标(如p值)作为我们评估组间差异程度的标准。尽管很多情况下可能并不需要,但如果存在必要,我们还需结合其它方法用作评估。
这里就需要考虑特定的统计检验方法,用作组间差异分析。
对于多变量情形下的组间差异分析,可能首先会想到多元方差分析(MANOVA)。然而,MANOVA的有效性取决于严格的前提假设,如多元正态性、方差-协方差矩阵的同质性等,导致在实际情况中大部分案例都是直接拒绝的,因此MANOVA不具普适性。考虑到这一点,统计学家们已经提出了许多方法替代经典的MANOVA,它们在比较多变量的组时更为稳健,并得到了广泛应用。
其中一些方法并非直接通过原始的变量作比较,而是首先基于多变量计算对象间的“距离”,然后将距离测度用作检验的输入,进而确定各组对象间的差异程度。这类方法通常称为“基于距离的检验方法”(Distance‐Based Tests),常见的如置换多元方差分析(PERMANOVA)、相似性分析(ANOSIM)、Mantel test等。
好了,到这里就开始接本篇的正文部分了,简单地对这些常见的基于距离的检验方法作个概述。