我一直在做一些有關不同採樣點物種丰度數據集的調整。我正在素食中使用metaMDS來做到這一點。有了這個功能,你可以(1)直接輸入社區數據(網站的行數和種類的數量),並指定你想要使用的距離類型(即jaccard,brass curtis,euclidean等)和函數調用vegdist做到這一點。另一方面,你可以(2)給metaMDS一個你已經創建的距離矩陣,可能使用vegdist(與metaMDS函數分開)。我感到困惑的是,如果我做第一個策略,我會得到一個答案,當我做第二個時(然後把這個距離矩陣放到metaMDS函數中),我會得到一個完全不同的答案(非常不同的應力值,不同的排序座標)。而當我要求在第一個策略中創建的距離矩陣時,距離是非常不同的,那麼我只從vegdist函數中得到。我讀通過,研究別的東西,當metaMDS調用vegdist函數時,它正在多維空間中尋找距離,而僅僅使用vegdist是在一個維度中。基本上我問的是,metaMDS如何調用和計算與vegdist的距離(它是否在多維空間中執行它)?這與僅僅使用vegdist本身有什麼不同?希望能夠理解這些差異,我可以辨別出哪種數據集是最好和最合適的方法。R metaMDS排序距離
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 ###前六個距離
ordjac1<-metaMDS(jac,k=2)
ordjac1$stress
[1] 0.169781 ordjac1
呼叫: metaMDS(COMM = JAC,K = 2)
global multimonimensional Scaling using monoMDS
數據:江淮 距離:捷卡
尺寸:2 壓力:0.169781 壓力型,弱關係 無融合解決方案 - 20次嘗試 縮放後最好的解決辦法:定心,PC旋轉 種:幾十人失蹤
ordjac2<-metaMDS(mrja,k=2,distance="jaccard")
ordjac2$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 ###前六個距離
ordjac2
呼叫: metaMDS( COMM = mrja,距離= 「的Jaccard」 中,k = 2)
全球多維尺度使用monoMDS
數據:威斯康辛(SQRT(mrja)) 距離:的Jaccard
尺寸:2個 脅迫: 0。2367037 壓力型,弱關係 無融合解決方案 - 20次嘗試 縮放後最好的解決辦法:定心,PC旋轉,halfchange縮放 種:基於「威斯康星州(的sqrt(mrja))」擴大了比分
你怎麼知道這些融合到一個很好的解決方案?您所展示的只是NMDS的兩個不同運行會聚到兩個不同的解決方案。 – 2014-09-02 18:30:18