MerQuR+Başvuru Kitabı

207. PERMANOVA, Mantel testi ve yayılım homojenliği (PERMDISP)

Şablon kimliği: permanova_mantel · Kategori: ekoloji · Dil: Python · Dosya: pro/sablonlar/ekoloji/permanova_mantel.py (satır 1–427; üstbilgi 1–101) · Örnek veri: _ornek/dune.csv · Paketler: numpy 2.4.6, pandas 2.3.3, matplotlib 3.10.9, scipy

207.1 Ne işe yarar

Şablon, bir tür matrisinden (örnek alan × tür; bolluk) uzaklık matrisi kurar ve üç soruyu cevaplar. (1) PERMANOVA: "tür bileşimi gruplar arasında farklı mı?" (tek faktörlü, permütasyonlu çok değişkenli varyans analizi; Anderson, 2001). (2) Mantel testi: "tür bileşimindeki farklar, çevre değişkenlerinden kurulan uzaklıklarla ilişkili mi?" (Mantel, 1967). (3) PERMDISP: "gruplar içindeki yayılım (çeşitlilik) gruplar arasında eşit mi?" (Anderson, 2006). Ardından PCoA (temel koordinat analizi) grafiği çizer. Klasik MANOVA'nın gerektirdiği çok değişkenli normallik ve n>p koşulu bu yöntemlerde yoktur: tür sayısı örnek sayısından büyük, veri sıfırlarla dolu olabilir.

F=\frac{SS_A/(a-1)}{SS_W/(N-a)},\qquad SS_T=\frac1N\sum_{i<j}d_{ij}^2,\quad SS_W=\sum_{g=1}^{a}\frac1{n_g}\sum_{i<j\in g}d_{ij}^2,\quad SS_A=SS_T-SS_W
  • d_{ij}: i ve j örnek alanları arasındaki uzaklık (Bray-Curtis, Jaccard, Manhattan ya da Öklid); N: örnek alanı sayısı; a: grup sayısı; n_g: g grubundaki alan sayısı.
  • SS_T, SS_W, SS_A: toplam, grup içi ve gruplar arası "kareler toplamı"; uzaklıkların karesi üzerinden hesaplanır ve Öklid uzaklığında klasik varyans analizine indirgenir.
  • R^2=SS_A/SS_T: grup etkeninin açıkladığı bileşim değişkenliği payı.

Sonuçların anlamlılığı permütasyonla sınanır: alanların grup etiketleri rastgele karıştırılır ve F yeniden hesaplanır; p=(1+\#\{F^{*}\ge F\})/(1+B). Mantel ve PERMDISP için de aynı mantıkla kendi istatistikleri karıştırılır.

Ne zaman kullanılır? Topluluk verisinde bir ya da birkaç etkenin bileşimi değiştirip değiştirmediğini sınamak (otlatma biçimi, habitat, yıl); uzaklık ölçüsünü (Bray-Curtis, Jaccard gibi) seçmek isteniyorsa; bileşim ve çevre arasındaki ilişkiyi uzaklıklar üzerinden aramak; grup ortalamasının mı yoksa yayılımın mı farklı olduğunu ayırmak için PERMDISP'i yanında çalıştırmak.

Ne zaman kullanılmaz?

  • Çevre değişkenleri tür matrisini eksen düzeyinde açıklamak, kısmi etki çıkarmak ya da varyansı iki açıklayıcı kümeye bölmek isteniyorsa: kisitli_ordinasyon (Bölüm 205) ya da Python eşi kisitli_ordinasyon_py (Bölüm 206).
  • Yalnız örnek alanı başına çeşitlilik göstergeleri (Shannon, Simpson, seyreltme) karşılaştırılıyorsa: cesitlilik_indeksleri (Bölüm 202); özellik ağırlıklı ortalamaların gradyanla ilişkisi için cwm_gradyan (Bölüm 203).
  • Bloklu, iç içe ya da çok etkenli tasarım ve kovaryans gerekiyorsa: şablon yalnız tek etkeni serbest permütasyonla sınar (207.8); bu durumlarda sonuç yanlış olabilir.
  • Yanıt çok değişkenli normal sürekli ölçümlerse ve n>p ise: temel programdaki MANOVA.
  • İki grubu tek bir bileşenle (PCA, MDS) görselleştirmek ve sıralamak için: temel programdaki PCA ya da Multidimensional Scaling (MDS).

Temel programla ilişki. Temel programda PERMANOVA, ANOSIM, Mantel testi ya da yayılım homojenliği testi yoktur. Yakın analizler: MANOVA (parametrik, çok değişkenli normal veri ve n>p gerektirir), Multidimensional Scaling (MDS) (Bray-Curtis, Jaccard ve Gower uzaklığını destekler ama grup farkı sınamaz) ve Hierarchical Clustering. Bu şablonun getirdiği: uzaklık tabanlı permütasyon testleri ve yayılım denetimi. PERMANOVA'nın F ve R^2 değerleri Öklid uzaklığında tek yönlü çok değişkenli varyans analizinin iz (trace) tabanlı F ve R^2 değerlerine eşittir.

207.2 Şablonun girdileri

Form, üstbilgideki on üç [[param]] bloğundan kurulur (permanova_mantel.py:10–100).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Tür (bolluk) sütunları · turler sayısal sütunlar · Değişkenler boş (en az 2) sayısal sütunlar Tür matrisi (112, 129); grup sütunu çıkarılır; 2'den az ise hata (114–115).
Grup (PERMANOVA faktörü) · grup kategorik sütun · Değişkenler boş en az 2 düzey Etiketler metne çevrilir (130); düzey sayısı a (175–192).
Çevre değişkenleri (Mantel) · cevre sayısal sütunlar · Değişkenler boş sayısal sütunlar Mantel testi (113, 229–259); boşsa Mantel yapılmaz.
Uzaklık ölçüsü · uzaklik seçim · Model bray bray, jaccard, manhattan, oklid uzaklik_matrisi (157–173).
Permütasyon sayısı · B tamsayı · Seçenekler 999 99–99999 PERMANOVA, Mantel ve PERMDISP permütasyon sayısı (209, 250, 342).
Bolluk dönüşümü · donusum seçim · Model yok yok, sqrt, log1p, hellinger, pa Uzaklıktan önce (136–148).
Mantel korelasyon katsayısı · mantel_yontem seçim · Seçenekler pearson pearson, spearman Mantel istatistiği (239–247).
Grup içi yayılım homojenliği testi · dagilim_testi onay · Seçenekler kapalı açık / kapalı PERMDISP (271–355).
PERMDISP grup merkezi · disp_merkez seçim · Seçenekler centroid centroid, median Ağırlık merkezi ya da uzamsal medyan (270, 310–320).
PERMDISP: karekök · disp_karekok onay · Seçenekler kapalı açık / kapalı \sqrt d (278); PERMANOVA'yı etkilemez.
PERMDISP: yanlılık düzeltmesi · disp_yanlilik onay · Seçenekler kapalı açık / kapalı \sqrt{n_g/(n_g-1)} çarpanı (335–340).
Grafikte ikinci etken · renk kategorik sütun · Değişkenler boş herhangi etken Nokta rengi (116–119, 369–370, 390).
Ordinasyon grafiği · grafik_tur seçim · Seçenekler nokta nokta, zarf Noktalar ya da dışbükey zarf + merkezler (371–409).

Örnek ayar (ornek_param, satır 9): turler = dune verisinin 30 türü, grup = Management, cevre = [A1], B = 999.

Şablonun kendi denetimleri (mq.hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 109–110
Tür sütunu <2 "En az 2 tür sütunu seçin." 114–115
Eksiksiz satır <4 "En az 4 tam satır gerekli." 132–133
Negatif bolluk "Bolluk değerleri negatif olamaz." 134–135
Hellinger ve boş satır "Hellinger dönüşümü için her satırda en az bir tür gerekli." 144–145
Geçersiz dönüşüm "Geçersiz dönüşüm." 147–148
Bray-Curtis ve boş satır "Bazı satırlarda hiç tür yok; Bray-Curtis tanımsız. Bu satırları çıkarın." 164–166
Grup düzeyi <2 "Grup sütununda en az iki düzey gerekli." 183–184
Her grup tek gözlemli (a\ge N) "En az bir grupta birden fazla gözlem gerekli; her grup tek gözlemli olduğunda artık serbestlik derecesi sıfırdır." 186–192
Gruplardan biri tek gözlemli (uyarı; çalıştırma sürer) "Uyarı: tek gözlemli grup var (…); PERMANOVA hesaplanır, ancak o grubun yayılımı kestirilemez (PERMDISP yapılmaz)." 187–192
PERMDISP istendi, tek gözlemli grup var (yanlılık düzeltmesi kapalı) "PERMDISP yapılmadı: tek gözlemli grubun merkeze uzaklığı 0 olur ve F yapay biçimde büyür; her grupta en az 2 gözlem gerekli." 271–276
PERMDISP, grup içi yayılım sıfır (ör. her grup ikişer gözlemli) "PERMDISP yapılmadı: grup içi yayılım sıfır ya da kestirilemiyor (…), F tanımsız." 340–344
Çevre değişkeni sabit "Çevre değişkenlerinden biri sabit." 233–234
Yanlılık düzeltmesi ve grupta <2 gözlem "Yanlılık düzeltmesi için her grupta en az 2 gözlem gerekli." 336–339

Eksik değerler ve sütun türü. Seçili tür, çevre, grup ve renk sütunlarından birinde eksik değeri olan satır atılır (122–128) ve atılan satır sayısı ile numaraları not olarak yazılır ("Not: eksik değer nedeniyle 1 satır atıldı (satırlar: 3)."). Tür ve çevre sütunları sayıya çevrilir (120–121; ortak biçimsel denetim zaten sayısal rolü zorunlu kılar). Grup değerleri metne çevrilir (astype(str)); düzeyler tümü sayıysa sayısal sırada ("2" "10"dan önce), değilse alfabetik sırada dizilir (176–181). Başvuru düzeyi yoktur: PERMANOVA tek etkeni bütünüyle sınar. Tohum: formda tohum alanı yoktur; permütasyonlar numpy.random.default_rng(mq.seed) ile üretilir (Kod panelinin Tohumu; yoksa 2026) ve tek bir akışta sırasıyla PERMANOVA, Mantel, PERMDISP permütasyonlarına dağıtılır (111; Bölüm 1.3): PERMDISP'i açmak önceki iki p'yi değiştirmez. p yazımı: yuvarlanınca 0,0000 olacak bir p "p < 0,0001" yazılır (_pt, 151–156); permütasyon p'si hiçbir zaman 1/(1+B)'den küçük çıkmaz.

207.3 Örnek veri

dune.csv, vegan paketinin dune ve dune.env veri kümelerinin birleşimidir (Jongman ve ark., 1995): Hollanda'nın bir kumul çayırı bölgesinde 20 örnek alanında 30 bitki türünün bolluk (örtü derecesi, 0–9) değeri ve beş çevre değişkeni. Eksik değer yoktur; her alanda en az bir tür vardır (alan toplamı 15–48); matrisin yüzde 67,2'si sıfırdır.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
alan alan kimliği metin 20 benzersiz kimlik
30 tür sütunu (Achimill … Callcusp) bolluk sayısal alan toplamı 15–48; sıfır oranı 0,672
A1 çevre (Mantel) sayısal toprak üst katman kalınlığı; ort. 4,85; sd 2,18; 2,8–11,5
Moisture çevre / grup sayısal (1, 2, 4, 5) 1: 7 alan; 2: 4; 4: 2; 5: 7
Management grup (örnekte) kategorik SF 6, BF 3, HF 5, NM 6 (verideki sıra SF, BF, HF, NM)
Use renk (isteğe bağlı) kategorik Haypastu 8, Hayfield 7, Pasture 5
Manure çevre / grup sayısal (0–4) 0: 6; 1: 3; 2: 4; 3: 4; 4: 3

Management düzeyleri alfabetik BF, HF, NM, SF sırasıyla tablolarda ve göstergede yer alır (verideki ilk görülme sırası burada uygulanmaz; 207.2). Moisture ve Manure tam sayı kodlu olduğundan veri sekmesi bunları "sayısal" sayar; cevre olarak girdiklerinde sayısal (Mantel için standartlaştırılır), grup olarak girdiklerinde metin düzeyleri olarak işlenir.

Bu bölümde kullanılan çalıştırmalar (pm_…; tohum 20261119; adı geçen dışında ayarlar örnek ayardır): ornek; disp_cent (dagilim_testi, cevre = []); disp (dagilim_testi, mantel_yontem = spearman, grafik_tur = zarf, disp_karekok); disp_med (donusum = hellinger, uzaklik = oklid, cevre = [A1, Moisture], uzamsal medyan, yanlılık düzeltmeli, renk = Use); manhattan, jaccard, pa, sqrt, log1p (B = 199, cevre = []); sınır durumları bos_bray, bos_oklid, bos_hel, tek_uye, tek_uye_yanlilik, manure_grup, blok10, eksik, gurultu.

207.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri ve dönüşüm (109–148); uzaklık matrisi \mathbf D (157–173); PERMANOVA ve permütasyon p (174–227); Mantel (229–259); PCoA (261–268); PERMDISP (269–355); grafik (357–417); tablolar (418–427).

207.4.1 Uzaklık ölçüleri ve dönüşümler

d^{\mathrm{BC}}_{ij}=\frac{\sum_k |y_{ik}-y_{jk}|}{\sum_k (y_{ik}+y_{jk})},\quad d^{\mathrm{Jac}}_{ij}=\frac{2\,d^{\mathrm{BC}}_{ij}}{1+d^{\mathrm{BC}}_{ij}},\quad d^{\mathrm{Man}}_{ij}=\sum_k|y_{ik}-y_{jk}|,\quad d^{\mathrm{Euc}}_{ij}=\sqrt{\sum_k(y_{ik}-y_{jk})^2}
  • y_{ik}: i. alandaki k. türün (dönüştürülmüş) bolluğu.
  • Bray-Curtis (Bray ve Curtis, 1957) ortak bolluğun toplam bolluğa oranının tamamlayıcısıdır; iki alan tamamen farklıysa 1'dir. Jaccard burada nicel Jaccard'dır (2d^{BC}/(1+d^{BC})); var/yok dönüşümüyle ikili Jaccard'a dönüşür.

Dönüşümler (130–142; uzaklıktan önce): sqrt karekök; log1p \ln(1+y); pa \mathbb 1[y>0] (var/yok; Bray-Curtis ile Sørensen); hellinger \sqrt{y_{ik}/y_{i+}} (Öklid uzaklığıyla "Hellinger uzaklığı"; Legendre ve Gallagher, 2001).

Koddaki tercih

Bray-Curtis ve Jaccard boş satırda (y_{i+}=0) 0/0 olur; şablon bunu açık iletiyle durdurur (152–154; Jaccard da Bray-Curtis üzerinden kurulduğu için iletide "Bray-Curtis" geçer). Manhattan ve Öklid boş satırla çalışır (bos_oklid: F(3, 16) = 2,5862); Hellinger dönüşümü boş satırı reddeder (144–145). Bray-Curtis ve Jaccard metrik değildir: \mathbf G=-\tfrac12\mathbf J\mathbf D^{(2)}\mathbf J negatif özdeğer taşıyabilir (207.4.4).

207.4.2 PERMANOVA

Kareler toplamları uzaklık matrisinin kare elemanlarından doğrudan hesaplanır (195–207); koordinat gerekmez. Bu, \mathbf G=-\tfrac12\mathbf J\mathbf D^{(2)}\mathbf J Gower merkezli matrisinin izi ve grup izdüşümü ile aynıdır:

SS_T=\mathrm{tr}(\mathbf G),\qquad SS_A=\mathrm{tr}(\mathbf H\mathbf G),\qquad \mathbf H=\mathbf Z(\mathbf Z^{\top}\mathbf Z)^{-1}\mathbf Z^{\top}
  • \mathbf J=\mathbf I-\tfrac1N\mathbf 1\mathbf 1^{\top} merkezleme matrisi; \mathbf D^{(2)} uzaklıkların kare matrisi; \mathbf Z grup gösterge matrisi.

Permütasyon (209–214): grup etiketleri B kez karıştırılır, SS_W ve F^{*} yeniden hesaplanır; p=(1+\#\{F^{*}\ge F-10^{-12}\})/(1+B). Tablo (215–219): gruplar arası, artık ve toplam için sd, KT, R2, F, p_permutasyon.

Neden uzaklığın karesi ve neden permütasyon

Çok değişkenli normal dağılım varsayımı olmadığında F'nin dağılımı bilinmez; etiket karıştırma, "grup etkeni yok" boş hipotezi altında gözlemlerin değiştirilebilir olduğunu varsayarak F'nin dağılımını türetir (Anderson, 2001; McArdle ve Anderson, 2001). Uzaklıkların karesi, Öklid durumunda klasik varyans analizi ile örtüşmeyi sağlar.

PERMANOVA yayılıma da duyarlıdır

Anlamlı bir PERMANOVA grup merkezlerinin farklı olmasından ya da grup içi yayılımın farklı olmasından kaynaklanabilir (Anderson ve Walsh, 2013). Şablon her sonuçta bunu bir notla hatırlatır (225–227) ve PERMDISP seçeneği sunar.

207.4.3 Mantel testi

Çevre değişkenleri sütun sütun n-1 paydalı sd ile standartlaştırılır; Öklid uzaklığı \mathbf D_E kurulur (231–237). Üst üçgen vektörleri (N(N-1)/2 çift) arasındaki korelasyon:

r_M=\mathrm{cor}\big(\mathrm{vec}_{i<j}\,\mathbf D,\ \mathrm{vec}_{i<j}\,\mathbf D_E\big),\qquad p=\frac{1+\#\{r^{*}_b\ge r_M-10^{-12}\}}{1+B}
  • \mathbf D: tür uzaklıkları (dönüşüm uygulanmış); \mathbf D_E: standartlaştırılmış çevre değişkenlerinin Öklid uzaklığı.
  • r^{*}_b: \mathbf D_E'nin satır ve sütunları birlikte aynı rastgele sırayla karıştırıldığında korelasyon (250–252). Yalnız pozitif ilişki sınanır (tek yönlü; bulgular\permanova_mantel.md B4).

mantel_yontem = spearman ise iki uzaklık vektörü önce 12 ondalığa yuvarlanıp sıralanır (eşit uzaklıklar ortalama sıra alır) ve korelasyon sıralar üzerinden hesaplanır (240–247); yuvarlama kayan nokta gürültüsünün eşit uzaklıkları ayırmasını önler (B5).

Mantel testinin sınırı

Mantel testi iki uzaklık matrisinin ilişkisini sınar; çevre değişkenlerinin tür bileşimini ne kadar açıkladığını söylemez ve uzamsal özilişkili verilerde güç ve tip I hata sorunları vardır (Legendre ve Fortin, 2010). Çevre–bileşim ilişkisinin açıklayıcı gücü için Bölüm 205–206'daki kısıtlı ordinasyon daha uygundur.

207.4.4 PCoA ve PERMDISP

PCoA, \mathbf G=-\tfrac12\mathbf J\mathbf D^{(2)}\mathbf J'nin özayrışımıdır (237–244; Gower, 1966): koordinatlar \mathbf v_k\sqrt{\lambda_k}; eksen payı \lambda_k/\sum_{\lambda>0}\lambda (Bray-Curtis gibi metrik olmayan uzaklıklarda negatif özdeğerler vardır, pay yalnız pozitif özdeğerlere bölünür; negatif özdeğerler paydadan dışarıda kaldığı için iki eksenin payı büyük görünür).

PERMDISP (247–321; Anderson, 2006): (isteğe bağlı \sqrt d) Gower merkezleme, |\lambda|>\max(\sqrt\varepsilon,\sqrt\varepsilon\,\lambda_1) olan eksenler tutulur (\varepsilon makine duyarlığı); her gözlemin kendi grup merkezine uzaklığı

z_{ij}=\sqrt{\max\Big(\sum_{k\in\lambda>0}(x_{ik}-c_{gk})^2-\sum_{k\in\lambda<0}(x_{ik}-c_{gk})^2,\ 0\Big)}

hesaplanır ve z üzerinde tek yönlü varyans analizi F'si bulunur. p iki yoldan verilir: F dağılımından (F_{a-1,\,N-a}) ve z'nin grup ortalamalarına göre artıklarının B kez karıştırılmasından. disp_merkez = median ise merkez, pozitif ve negatif özdeğer eksenlerinde ayrı ayrı uzamsal medyandır (Weiszfeld yinelemesi; 261–279); disp_yanlilik açıkken z_{ij}\sqrt{n_g/(n_g-1)} ile küçük gruplardaki aşağı yönlü yanlılık düzeltilir (335–340).

  • x_{ik}: PCoA koordinatı; c_{gk}: g grubunun merkezi (ortalama ya da medyan); \lambda_k: k. özdeğer.
  • Negatif özdeğer eksenlerinden gelen kare uzaklık çıkarılır; böylece metrik olmayan uzaklıkta da z tanımlı kalır.

Koddaki tercih

disp_karekok yalnız PERMDISP'in uzaklığını ve onun PCoA grafiğini değiştirir; PERMANOVA ve Mantel aynı kalır (249; üstbilgi 80). Grafik, PERMDISP açıksa onun PCoA eksenlerini (merkez ve yayılım çözümlemesinin ekseni), kapalıysa klasik PCoA eksenlerini kullanır (358–365).

207.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
102–111 matplotlib; arayüz diline göre _m; tohum: mq.seed ya da 2026. np ve pd ad alanında hazırdır.
112–135 Tür ve çevre listeleri, renk; eksik satırlar atılır; \mathbf Y ve grup vektörü; N\ge4 ve negatiflik denetimi. Atılan satırlar not olarak yazılır.
136–148 Dönüşüm. Hellinger boş satırı reddeder.
157–173 uzaklik_matrisi: Manhattan, Jaccard (nicel), Bray-Curtis, Öklid. Bray-Curtis boş satırı reddeder.
174–214 Düzeyler (sayısal ya da alfabetik sıra), SS_T, SS_W, F, permütasyon dağılımı, p. a<2 ve a\ge N denetimleri; tek gözlemli grup uyarısı.
215–227 PERMANOVA tablosu ve metin; yayılım notu. Not her seferinde yazılır.
229–259 Mantel: standartlaştırma, üst üçgen, korelasyon, permütasyon. Tek yönlü p.
261–268 PCoA: Gower merkezleme, özayrışım. Negatif özdeğer yoksayılmaz.
269–355 PERMDISP: merkezler, uzaklıklar, F, permütasyon, tablo. Yanlılık düzeltmesi ve karekök seçenekleri.
357–417 Grafik: noktalar ya da zarf; renk etkeni; eksen payları; başlık. Renk etkeni yoksa zarf çizgisi, nokta ve gösterge aynı renktedir; renk etkeni varsa zarf çizgileri ayrı bir paletle çizilir ve gösterge zarfı gösterir.
418–427 Tablolar (PERMANOVA, Mantel testi, PERMDISP grup ortalamaları) ve grafik. Arayüz dili İngilizceyse sütun adları çevrilir (418–419).

207.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız hesaplar dogrulama/permanova_mantel/elle_hesap.py (scipy pdist; Gower merkezli iz formülü; şablonun ana işlevleri çağrılmaz) ve r_dogrulama.R (vegan::vegdist, adonis2, mantel, betadisper) ile yapılmıştır.

Adım 1 — Uzaklık. Birinci ve ikinci alan: toplam bolluklar 18 ve 42 (toplamı 60); mutlak farkların toplamı 28; d^{BC}_{12}=28/60=0{,}4667. 20 alan için 190 çift vardır.

Adım 2 — PERMANOVA. SS_T=4{,}29902187, SS_W=2{,}83043012, SS_A=1{,}46859175; R^2=0{,}34161067; F=\dfrac{1{,}46859175/3}{2{,}83043012/16}=\dfrac{0{,}48953058}{0{,}17690188}=2{,}76724350. Şablon ve iki bağımsız hesap aynı değerleri verir.

Adım 3 — Mantel. Bray-Curtis uzaklıkları ile standartlaştırılmış A1'in Öklid uzaklıkları arasında Pearson r_M=0{,}23786219. Hellinger-Öklid ve A1 + Moisture ile r_M=0{,}47010002.

Adım 4 — PERMDISP. \sqrt d ile (karekök Bray-Curtis; ağırlık merkezi): F=4{,}80597518, F_{3,\,16} dağılımından p=0{,}01425975; grup ortalama uzaklıkları BF 0{,}36956298, HF 0{,}41743213, NM 0{,}53315399, SF 0{,}48486324. Uzamsal medyan ve yanlılık düzeltmesiyle (Hellinger-Öklid): F=1{,}12053895, p=0{,}37014329 (vegan::betadisper).

Adım 5 — Permütasyon p ve bağımsız denetim. Bağımsız Python 9999 permütasyonla PERMANOVA için p=0{,}0031, Mantel (Pearson, A1) için p=0{,}0416 verdi. Şablon 999 permütasyonla 0{,}0020 ve 0{,}0480 bulur; fark Monte Carlo hatası içindedir (iki sonuç da aynı karara götürür).

Adım 6 — Uzaklık ve dönüşüme göre F. Aynı veri ve grup: Bray-Curtis 2{,}7672; karekök 2{,}7366; \ln(1+y) 2{,}7697; var/yok 2{,}5789; Jaccard (nicel) 2{,}2250; Manhattan 3{,}6525; Hellinger-Öklid 2{,}2842. Ölçü değiştiğinde F ve R^2 de değişir; ölçü, veriye bakmadan seçilmelidir.

207.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
PERMANOVA Bray-Curtis: gruplar arası KT 1,46859175 1,46859175 1,46859175 2,2e−12 ✓
PERMANOVA Bray-Curtis: artık KT 2,83043012 2,83043012 2,83043012 8,5e−13 ✓
PERMANOVA Bray-Curtis: R² 0,34161067 0,34161067 0,34161067 4,6e−13 ✓
PERMANOVA Bray-Curtis: pseudo-F 2,7672435 2,7672435 2,7672435 4,0e−13 ✓
PERMANOVA Manhattan: gruplar arası KT 7677,31666667 7677,31666667 7677,31666667 4,3e−13 ✓
PERMANOVA Manhattan: artık KT 11210,43333333 11210,43333333 11210,4333333 3,0e−12 ✓
PERMANOVA Manhattan: R² 0,40647068 0,40647068 0,40647068 1,5e−13 ✓
PERMANOVA Manhattan: pseudo-F 3,65246264 3,65246264 3,65246264 6,6e−13 ✓
PERMANOVA Jaccard (nicel): gruplar arası KT 1,70988541 1,70988541 1,70988541 1,5e−13 ✓
PERMANOVA Jaccard (nicel): artık KT 4,09858647 4,09858647 4,09858647 5,1e−13 ✓
PERMANOVA Jaccard (nicel): R² 0,29437784 0,29437784 0,29437784 1,5e−13 ✓
PERMANOVA Jaccard (nicel): pseudo-F 2,22500828 2,22500828 2,22500828 1,7e−12 ✓
PERMANOVA Bray-Curtis, var/yok: gruplar arası KT 1,07380059 1,07380059 1,07380059 2,9e−12 ✓
PERMANOVA Bray-Curtis, var/yok: artık KT 2,22070301 2,22070301 2,22070301 5,3e−13 ✓
PERMANOVA Bray-Curtis, var/yok: R² 0,32593699 0,32593699 0,32593699 1,1e−13 ✓
PERMANOVA Bray-Curtis, var/yok: pseudo-F 2,57888445 2,57888445 2,57888445 1,3e−12 ✓
PERMANOVA Bray-Curtis, karekök: gruplar arası KT 1,2832931 1,2832931 1,2832931 1,5e−12 ✓
PERMANOVA Bray-Curtis, karekök: artık KT 2,50101057 2,50101057 2,50101057 1,1e−12 ✓
PERMANOVA Bray-Curtis, karekök: R² 0,33910944 0,33910944 0,33910944 9,2e−14 ✓
PERMANOVA Bray-Curtis, karekök: pseudo-F 2,73658574 2,73658574 2,73658574 1,3e−12 ✓
PERMANOVA Bray-Curtis, log(1+x): gruplar arası KT 1,30470625 1,30470625 1,30470625 2,7e−13 ✓
PERMANOVA Bray-Curtis, log(1+x): artık KT 2,51237804 2,51237804 2,51237804 7,7e−14 ✓
PERMANOVA Bray-Curtis, log(1+x): R² 0,34180703 0,34180703 0,34180703 9,0e−14 ✓
PERMANOVA Bray-Curtis, log(1+x): pseudo-F 2,76966014 2,76966014 2,76966014 4,9e−13 ✓
PERMANOVA Hellinger + Öklid: gruplar arası KT 3,16715805 3,16715805 3,16715805 1,2e−12 ✓
PERMANOVA Hellinger + Öklid: artık KT 7,39497632 7,39497632 7,39497632 3,1e−13 ✓
PERMANOVA Hellinger + Öklid: R² 0,29985966 0,29985966 0,29985966 4,8e−13 ✓
PERMANOVA Hellinger + Öklid: pseudo-F 2,28418711 2,28418711 2,28418711 2,2e−13 ✓
Mantel (Pearson), Bray-Curtis ↔ A1 0,23786219 0,23786219 0,23786219 2,4e−13 ✓
Mantel (Pearson), Hellinger-Öklid ↔ A1 + Moisture 0,47010002 0,47010002 0,47010002 6,9e−14 ✓
Mantel (Spearman), Bray-Curtis ↔ A1 (eşit uzaklıklar var; bölüm 207.8) 0,19651615 0,19645339 0,19671977 2,0e−4 ✓
Mantel (Spearman), eşit uzaklıklara ortalama sıra (12 ondalığa yuvarlanmış) 0,19651615 0,19645339 0,19651615 6,3e−5 ✓
PERMDISP ağırlık merkezi: F (4 hane) 3,8687 3,86869871 3,86869871 3,3e−7 ✓
PERMDISP ağırlık merkezi: F dağılımından p (4 hane) 0,0295 0,02954878 0,02954878 4,9e−5 ✓
PERMDISP ağırlık merkezi: BF grubunun merkeze ortalama uzaklığı 0,23931566 0,23931566 0,23931566 1,3e−13 ✓
PERMDISP ağırlık merkezi: HF grubunun merkeze ortalama uzaklığı 0,28900198 0,28900198 0,28900198 3,4e−14 ✓
PERMDISP ağırlık merkezi: NM grubunun merkeze ortalama uzaklığı 0,45609971 0,45609971 0,45609971 4,7e−13 ✓
PERMDISP ağırlık merkezi: SF grubunun merkeze ortalama uzaklığı 0,36993375 0,36993375 0,36993375 8,9e−14 ✓
PERMDISP ağırlık merkezi, √d: F (4 hane) 4,806 4,80597518 4,80597518 5,2e−6 ✓
PERMDISP ağırlık merkezi, √d: F dağılımından p (4 hane) 0,0143 0,01425975 0,01425975 4,0e−5 ✓
PERMDISP ağırlık merkezi, √d: BF grubunun merkeze ortalama uzaklığı 0,36956298 0,36956298 0,36956298 2,4e−13 ✓
PERMDISP ağırlık merkezi, √d: HF grubunun merkeze ortalama uzaklığı 0,41743213 0,41743213 0,41743213 1,8e−13 ✓
PERMDISP ağırlık merkezi, √d: NM grubunun merkeze ortalama uzaklığı 0,53315399 0,53315399 0,53315399 2,1e−13 ✓
PERMDISP ağırlık merkezi, √d: SF grubunun merkeze ortalama uzaklığı 0,48486324 0,48486324 0,48486324 3,1e−13 ✓
PERMDISP uzamsal medyan + yanlılık düzeltmesi: F (4 hane) 1,1205 1,12053895 1,12053895 3,5e−5 ✓
PERMDISP uzamsal medyan + yanlılık düzeltmesi: p (4 hane) 0,3701 0,37014329 0,37014329 4,3e−5 ✓
PERMDISP uzamsal medyan + yanlılık: BF ortalama uzaklık 0,55397021 0,55397021 0,55397021 5,4e−13 ✓
PERMDISP uzamsal medyan + yanlılık: HF ortalama uzaklık 0,55815496 0,55815496 0,55815496 3,8e−13 ✓
PERMDISP uzamsal medyan + yanlılık: NM ortalama uzaklık 0,77256637 0,77256637 0,77256637 3,6e−14 ✓
PERMDISP uzamsal medyan + yanlılık: SF ortalama uzaklık 0,65957498 0,65957498 0,65957498 5,0e−13 ✓

Ölçütü karşılayan: 50/50. Uzamsal medyanlı PERMDISP için bağımsız Python hesabı yazılmadı; Python sütunu vegan::betadisper değerini yineler (yalnız R ile karşılaştırma). Permütasyon p değerleri her programda ayrı rastgele sayı akışı kullandığından karşılaştırma dışıdır.

Ek denetimler: Spearman-Mantel'de üç hesap iki ondalığa kadar aynıdır ama dördüncü ondalıktan sonra ayrılır: şablon 0,196516; ham sıralı bağımsız Python 0,196453; vegan::mantel 0,196720 (Bray-Curtis uzaklıklarının çok sayıda eşit değeri vardır; 207.8, B5). Aynı tohumla PERMDISP'in permütasyon p'si (0{,}0320; disp_cent) F dağılımından bulunan 0{,}0295'e yakındır.

207.7 Çıktıyı okuma

dune verisi, örnek ayar, tohum 20261119 (pm_ornek); konsol:

PERMANOVA (Bray-Curtis; 20 örnek, 30 tür; 999 permütasyon)
  Management: F(3, 16) = 2,7672, R² = 0,3416, p = 0,0020
  Not: PERMANOVA grup içi yayılım farkına da duyarlıdır; anlamlı sonuçta dağılım homojenliğini ayrıca denetleyin.
Mantel testi (Pearson): r = 0,2379, p = 0,0480 (tek yönlü; çevre: A1)

PERMDISP açıkken (disp; karekök Bray-Curtis, Spearman-Mantel) ek satır:

Yayılım homojenliği (PERMDISP, merkeze uzaklık; ağırlık merkezi, √d): F(3, 16) = 4,8060, p = 0,0143, permütasyon p = 0,0140

Tablolar (mq_tablo; kısaltılmış):

Tablo Satır / öğe Değer
PERMANOVA Management: sd, KT, R^2, F, p 3; 1,4686; 0,3416; 2,7672; 0,0020
Artık 16; 2,8304; 0,6584
Toplam 19; 4,2990; 1,0000
Mantel testi tür uzaklığı; çevre uzaklığı; r; p; B Bray-Curtis; Öklid (standartlaştırılmış): A1; 0,2379; 0,0480; 999
PERMDISP grup ortalamaları (disp_cent) BF / HF / NM / SF (n) 0,2393 (3) / 0,2890 (5) / 0,4561 (6) / 0,3699 (6)

Şekil 207.1. Şablonun PCoA grafiği (dune, Bray-Curtis; noktalar): renkler `Management` düzeylerini gösterir; eksen payları yalnız pozitif özdeğerlere bölünmüştür.

Şekil 207.2. PERMDISP açıkken ve `grafik_tur = zarf` seçildiğinde grafik: her grubun dışbükey zarfı (zarf çizgisi, nokta ve gösterge aynı renkte), noktalardan merkeze çizgiler ve etiketli merkezler (karekök Bray-Curtis; PERMDISP PCoA'sı).

Öğe Ne yazar Nasıl yorumlanır
PERMANOVA F ve p Gruplar arası farkın grup içine oranı; permütasyon anlamlılığı. p=0{,}002: bileşim Management düzeyleri arasında farklıdır. En küçük olası değer 1/(1+B)'dir.
R^2 Grup etkeninin açıkladığı bileşim değişkenliği. 0,3416: bileşimdeki farkın yaklaşık üçte biri yönetim biçimiyle ilişkilidir.
Mantel r ve p Tür ve çevre uzaklıkları arasındaki korelasyon; tek yönlü permütasyon p. r=0{,}2379, p=0{,}048: toprak katmanı kalınlığı farkı büyüdükçe bileşim farkı artma eğilimindedir; zayıf kanıt.
PERMDISP F ve p Grup içi yayılımın eşitliği. p<0{,}05 ise yayılım gruplar arasında farklıdır; PERMANOVA anlamlılığı kısmen yayılıma bağlı olabilir. Örnekte NM en geniş yayılımlıdır.
Grup ortalama uzaklıkları Gözlemlerin kendi grup merkezine ortalama uzaklığı. Büyük değer, o grubun içinde bileşimin daha çeşitli olduğunu gösterir.
PCoA grafiği Uzaklıkların ilk iki eksende temsili. Gruplar ayrışıyorsa merkez farkı; zarf alanları farklıysa yayılım farkı. Eksen payları metrik olmayan uzaklıklarda gerçek orandan büyük görünür.

Rapor cümlesi. Bray-Curtis uzaklıklarına dayalı PERMANOVA'da (999 permütasyon) tür bileşimi yönetim biçimleri arasında farklıydı (pseudo-F_{3,\,16}=2{,}77; R^2=0{,}34; p=0{,}002). Toprak katmanı kalınlığı ile bileşim uzaklıkları arasında zayıf pozitif ilişki bulundu (Mantel r=0{,}24; p=0{,}048). Grup içi yayılım gruplar arasında farklıydı (PERMDISP, \sqrt d; F_{3,\,16}=4{,}81; p=0{,}014); bu nedenle merkez farkı yorumu temkinli yapılmalıdır.

207.8 Sık hatalar ve tuzaklar

  • PERMANOVA anlamlı, PERMDISP de anlamlı. Merkez farkı ile yayılım farkı ayırt edilemez; yalnız yayılım farklı olduğunda da PERMANOVA anlamlı çıkabilir (Anderson ve Walsh, 2013). Dengeli tasarımda test daha dayanıklıdır.
  • Tek ve iki gözlemli gruplar. Tek gözlemli grup için PERMANOVA yine hesaplanır (tek_uye: F_{4,\,15}=2{,}8589) ama şablon uyarı yazar ve PERMDISP'i yapmaz: tek gözlemli grubun merkeze uzaklığı 0 olacağından F yapay biçimde büyürdü. Her grup ikişer gözlemliyse (blok10) iki nokta grup merkezine eşit uzaklıkta olduğundan grup içi kareler toplamı sıfırdır; PERMDISP'in F'si tanımsızdır ve şablon açık bir iletiyle bu testi atlar (PERMANOVA etkilenmez). Bu uç durumları bilerek denemek yerine her grupta en az üç gözlem kullanın.
  • Bloklu ya da iç içe tasarım. Permütasyon tümüyle serbesttir; bloklar arasında gözlemler değiştirilemezse p geçersizdir.
  • Mantel p tek yönlüdür. Negatif ilişkiyi ya da iki yönlü hipotezi sınamaz (gurultu: r=-0{,}033, p=0{,}579).
  • Spearman-Mantel ve eşit uzaklıklar. Bray-Curtis'te çok sayıda eşit değer vardır; şablon eşitleri ortalama sıraya bağlar ve paketle farklı sonuç verebilir (0,196516 ve 0,196720).
  • Düzey sırası. Grup düzeyleri tümü sayıysa sayısal sırada yazılır ("2" "10"dan önce; blok10 tablosu 1, 2, …, 10), değilse alfabetik sırada. Sonuç sıradan etkilenmez; yalnız tablo ve gösterge sırası değişir.
  • Uzaklık ve dönüşüm seçimi sonucu değiştirir. F=2{,}28 (Hellinger-Öklid) ile 3{,}65 (Manhattan) arasında değişir; ölçüyü veriden önce belirleyin.
  • Boş satır. Bray-Curtis, Jaccard ve Hellinger açık iletiyle durur; Manhattan ve Öklid boş satırı uzaklık matrisine alır ve çalışır (bos_oklid: F_{3,\,16}=2{,}5862); boş alanın bilgi taşımadığı unutulmamalıdır, satırı çıkarmak daha güvenlidir.
  • Eksik değer. Satır atılır ve atılan satır numaraları yazılır (eksik: 19 örnek; "Not: eksik değer nedeniyle 1 satır atıldı (satırlar: 3).").
  • Permütasyon sayısı. B=999'da en küçük p=0{,}001; kenar değerde B'yi 9999'a çıkarın.
  • Mantel ve uzamsal bağımlılık. Alanlar uzamsal özilişkiliyse Mantel p geçersiz olabilir (Legendre ve Fortin, 2010).

207.9 Uzman soruları

S1. PERMANOVA neden MANOVA yerine kullanılır?

MANOVA çok değişkenli normallik ve n>p ister; topluluk verisinde tür sayısı örnek sayısından fazladır ve sıfırlarla doludur. PERMANOVA yalnız uzaklık matrisine ve permütasyona dayanır, dağılım varsayımı yoktur; Öklid uzaklığında iz tabanlı çok değişkenli varyans analizi F'sine eşittir (207.4.2). Bedeli: yayılım farkına duyarlılık ve tek bir permütasyon şemasıdır.

S2. Mantel testi yerine neden kısıtlı ordinasyon denenir?

Mantel, iki uzaklık matrisi arasındaki korelasyonu sınar; çevre değişkenlerinin bileşimi ne kadar açıkladığını, hangi değişkenin etkili olduğunu söylemez ve uzamsal bağımlılıkta güç/tip I hata sorunları vardır (Legendre ve Fortin, 2010). Kısıtlı ordinasyon (Bölüm 205–206) bu soruları doğrudan cevaplar.

S3. Spearman-Mantel neden paketle birebir aynı çıkmıyor?

Bray-Curtis uzaklıklarında eşit değerler çoktur (dune: 190 çiftte 154 farklı değer). Eşit değerlerin sıralanması kayan nokta gürültüsüne bağlıysa paketler farklı sıralar üretir. Şablon 12 ondalığa yuvarlar ve eşitleri ortalama sıraya bağlar (0{,}196516); vegan::mantel 0{,}196720, ham scipy sıralaması 0{,}196453 verir.

S4. `disp_karekok` PERMANOVA'yı etkiler mi?

Hayır. Yalnız PERMDISP'in uzaklığını ve onun PCoA grafiğini değiştirir (278). Bray-Curtis gibi metrik olmayan uzaklıklarda karekök negatif özdeğerleri azaltır. pm_disp_cent (F=3{,}8687) ile \sqrt d (F=4{,}8060) aynı veride farklı F verir.

S5. Yanlılık düzeltmesi ne zaman gereklidir?

Küçük ve dengesiz gruplarda gözlemlerin kendi merkezlerine uzaklığı sistematik olarak küçük kalır; düzeltme \sqrt{n_g/(n_g-1)} çarpanıyla bunu giderir (Anderson, 2006 ve betadisper(bias.adjust = TRUE)). Her grupta en az iki gözlem gerekir (336–339).

S6. Uzamsal medyan merkez ne zaman ağırlık merkezinden iyidir?

Gruplarda uç gözlemler varsa medyan merkez daha dayanıklıdır. Şablon medyanı pozitif ve negatif özdeğer eksenlerinde ayrı ayrı Weiszfeld yinelemesiyle bulur; vegan ile F ve grup ortalama uzaklıkları 10⁻⁵ içinde örtüşür (207.6.1).

S7. Başka bir tanım ya da paket sonucu değiştirir mi?

PERMANOVA F ve R^2, Mantel Pearson r ve PERMDISP F ile ortalama uzaklıklar vegan ile aynıdır; p değerleri rastgele sayı akışı yüzünden Monte Carlo hatası kadar ayrılır; Spearman-Mantel eşitlerin ele alınışıyla 3·10⁻⁴ ayrılır.

207.10 Kaynaklar

  • Anderson, M. J. (2001). A new method for non-parametric multivariate analysis of variance. Austral Ecology, 26(1), 32–46. https://doi.org/10.1111/j.1442-9993.2001.01070.pp.x
  • Anderson, M. J. (2006). Distance-based tests for homogeneity of multivariate dispersions. Biometrics, 62(1), 245–253. https://doi.org/10.1111/j.1541-0420.2005.00440.x
  • Anderson, M. J., & Walsh, D. C. I. (2013). PERMANOVA, ANOSIM, and the Mantel test in the face of heterogeneous dispersions: What null hypothesis are you testing? Ecological Monographs, 83(4), 557–574. https://doi.org/10.1890/12-2010.1
  • Bray, J. R., & Curtis, J. T. (1957). An ordination of the upland forest communities of southern Wisconsin. Ecological Monographs, 27(4), 325–349. https://doi.org/10.2307/1942268
  • Gower, J. C. (1966). Some distance properties of latent root and vector methods used in multivariate analysis. Biometrika, 53(3–4), 325–338. https://doi.org/10.1093/biomet/53.3-4.325
  • Jongman, R. H. G., ter Braak, C. J. F., & van Tongeren, O. F. R. (Eds.). (1995). Data analysis in community and landscape ecology. Cambridge University Press. https://doi.org/10.1017/CBO9780511525575
  • Legendre, P., & Fortin, M.-J. (2010). Comparison of the Mantel test and alternative approaches for detecting complex multivariate relationships in the spatial analysis of genetic data. Molecular Ecology Resources, 10(5), 831–844. https://doi.org/10.1111/j.1755-0998.2010.02866.x
  • Legendre, P., & Gallagher, E. D. (2001). Ecologically meaningful transformations for ordination of species data. Oecologia, 129(2), 271–280. https://doi.org/10.1007/s004420100716
  • Mantel, N. (1967). The detection of disease clustering and a generalized regression approach. Cancer Research, 27(2, Part 1), 209–220.
  • McArdle, B. H., & Anderson, M. J. (2001). Fitting multivariate models to community data: A comment on distance-based redundancy analysis. Ecology, 82(1), 290–297. https://doi.org/10.1890/0012-9658(2001)082[0290:FMMTCD]2.0.CO;2
  • Yazılım kaydı: numpy 2.4.6 (Harris ve ark., 2020; https://doi.org/10.1038/s41586-020-2649-2), pandas 2.3.3 (McKinney, 2010; https://doi.org/10.25080/Majora-92bf1922-00a), matplotlib 3.10.9 (Hunter, 2007; https://doi.org/10.1109/MCSE.2007.55), scipy (Virtanen ve ark., 2020; https://doi.org/10.1038/s41592-019-0686-2), Python 3.13.1 (şablon çalıştırmasının yazılım kaydından). Karşılaştırma: R 4.5.3, vegan 2.7-6 (https://doi.org/10.32614/CRAN.package.vegan).