||
rdacca.hp包的文章终于有了正式的页码,MEE刚刚出炉的2022年第四期正式发表,从2022年1月12日在线发表到现在,已经被通知有了3次的正式引用,在bioRxiv上的preprint版本也不断被引用(目前已经达到14次),还有引用CRAN上面的包的也有40多次。相信正在撰写或是投稿中的引用还很多,建议大家以后都引用MEE正式发表的文章。
Lai Jiangshan, Zou Yi, Zhang Jinlong, Peres-Neto Pedro (2022). Generalizing hierarchical and variation partitioning in multiple regression and canonical analyses using the rdacca.hp R package. Methods in Ecology and Evolution, 13: 782-788<DOI:10.1111/2041-210X.13800>
https://besjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/2041-210X.13800
另外,我还需要说明一点,尽管文章的pdf版本上面列着2021年10月18日收稿,12月10日接受。其实没这么快,第一次提交是2021年2月10日,收到第一个decision是7月19日,意见是rejected and resubmit。然后10月18日投回去,中间再一轮小修后12月10日接受。文章是首投MEE,虽然投稿过程并不坎坷,但是文章准备过程比较费时,深感对基础的统计学方法做点添砖加瓦的工作真的是很难。当然,这样工作受众面自然也是很广,所以受关注和高引用也是可预期!
根据大家近期的咨询,我总结一下rdacca.hp使用过程几个常见的问题。
1. 对于有时响应变量是特别大矩阵,比如组学的数据,运行RDA的分解时候,运行时间会很长。
答:这种情况本身就不适合做RDA,要做dbRDA才对。
2. 解释变量的individual effect出现负的情况,怎么解释?
答:正如文章中案例一样,出现负的单个解释变量可能是多种因素引起,比如负的unique effect, 或是负的平均共享方差引起,也可能是校正R2引起,你可以当作此变量在解释响应变量基本没什么用,也可以建议去掉此解释变量重新分析。
3. 解释变量的individual effect如果用permu.hp获得的p值不显著,还能不能用?
答:肯定可以用, permu.hp获得的p值不能作为解释变量是否显著影响响应变量的依据。老实说,我们原先是没有设置这个函数,就是怕误导大家,要不是审稿人要求加假设检验的函数,我们真没计划加。Individual effect是个组合的值,不是从某一个模型获取的值,是从所有变量组合的模型的组合值,因此这样的组合值的置换检验可信度是要大打折扣的。所以我们一直建议大家,如果置换检验的结果符合您的预期,那很好,用这个permu.hp的结果没有问题。如果不符合您的预期,也完全没必要纠结,不报告这个p值也没问题,因为Individual effect用来比较解释变量之间的对响应变量解释比例的差异(相对重要性),不作为是否显著影响的指标。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-21 00:12
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社