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.
- 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 eşikisitli_ordinasyon_py(Bölüm 206). - Yalnız örnek alanı başına çeşitlilik göstergeleri (Shannon, Simpson, seyreltme) karşılaştırılıyorsa:
cesitlilik_indeksleri(Bölüm 202); özellik ağırlıklı ortalamaların gradyanla ilişkisi içincwm_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
- 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:
- \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:
- \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.mdB4).
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
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;
blok10tablosu 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).