我一直在做一些有关不同采样点物种丰度数据集的调整。我正在素食中使用metaMDS来做到这一点。有了这个功能,你可以(1)直接输入社区数据(网站的行数和种类的数量),并指定你想要使用的距离类型(即jaccard,brass curtis,euclidean等)和函数调用vegdist做到这一点。另一方面,你可以(2)给metaMDS一个你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,我会得到一个答案,当我做第二个时(然后把这个距离矩阵放到metaMDS函数中),我会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)。而当我要求在第一个策略中创建的距离矩阵时,距离是非常不同的,那么我只从vegdist函数中得到。我读通过,研究别的东西,当metaMDS调用vegdist函数时,它正在多维空间中寻找距离,而仅仅使用vegdist是在一个维度中。基本上我问的是,metaMDS如何调用和计算与vegdist的距离(它是否在多维空间中执行它)?这与仅仅使用vegdist本身有什么不同?希望能够理解这些差异,我可以辨别出哪种数据集是最好和最合适的方法。R metaMDS排序距离
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 ###前六个距离
ordjac1<-metaMDS(jac,k=2)
ordjac1$stress
[1] 0.169781 ordjac1
呼叫: metaMDS(COMM = JAC,K = 2)
global multimonimensional Scaling using monoMDS
数据:江淮 距离:捷卡
尺寸:2 压力:0.169781 压力型,弱关系 无融合解决方案 - 20次尝试 缩放后最好的解决办法:定心,PC旋转 种:几十人失踪
ordjac2<-metaMDS(mrja,k=2,distance="jaccard")
ordjac2$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 ###前六个距离
ordjac2
呼叫: metaMDS( COMM = mrja,距离= “的Jaccard” 中,k = 2)
全球多维尺度使用monoMDS
数据:威斯康辛(SQRT(mrja)) 距离:的Jaccard
尺寸:2个 胁迫: 0。2367037 压力型,弱关系 无融合解决方案 - 20次尝试 缩放后最好的解决办法:定心,PC旋转,halfchange缩放 种:基于“威斯康星州(的sqrt(mrja))”扩大了比分
你怎么知道这些融合到一个很好的解决方案?您所展示的只是NMDS的两个不同运行会聚到两个不同的解决方案。 – 2014-09-02 18:30:18