昨天在中科院南京与湖泊所做报告。有个人问了一个很好的问题：如何判断典范排序中解释变量的显著性？这个是个非常好的问题，但又是一个大家很容易犯错误的问题。很多人可能直接用anova(rda结果，by="term")获得的每个变量的p值来作为解释变量的显著性。殊不知如果变量之间存在共线性的话，这个anova得到p值是跟变量在原始数据里面的位置是有关系的。如果更改变量的顺序，结果可能就不一样了。如下图，图1，当alt是第一列，slo是第二列时候，p值分别是0.001和0.64，如果把alt和slo掉个位置（图2），slo和alt的p值立马变为0.001和0.002，为什么会这样呢？因为anova(，by="term")是按照顺序方差来的计算的，其实输出界面已经明确提示 “Terms added sequentially", 也就是顺序方差，如果变量之间存在共线性，那么这种运算规则下，排在前面的变量占有优势，也就是占便宜了，后面的变量自然就吃亏了，而我们一般在整理组织数据时，对于变量的顺序往往是随意的，所有就造成结果的不可靠。另外，变量之间共线性在我们生态学数据中是普遍存在，那到底怎么才能获得变量的显著性？

      其实，这个问题本算就是伪命题，因为如果认为某个解释变量是显著的，那应该解释为这个解释变量对于群落的组成具有显著性的影响。但是，实际上典范分析过程是每个物种都是一个独立的回归模型，也就是多少个物种，就有多少个回归，也就是可能某个解释变量对于一些种的分别有显著的影响（可以从普通的回归的系数的显著性去判断），而可能对于另外一些物种的分布是影响是不显著的。那对有些物种显著，对有些物种不显著，那对于整个群落的物种到底是显著还是不显著，这个真是无法回答问题。

     但是，大部分科研人员，可能不想听我上面的解释，一定要得到一个显著还是不显著的p值。好吧，那就勉强用rdacca.hp包permu.hp或是vegan包里面envfit函数（选前两轴）获得p值吧。这两个函数得到结果虽然也不靠谱，因为这两个函数都对位置不敏感，但勉强能回答解释变量对于整个群落的是否是显著的这个问题，起码要比anova靠谱一点，但是我还是要苦口婆心跟大家说，permu.hp或是envfit函数得到结果如果符合你的预期，很好，写在文章里面没问题。如果不符合你的期望，没关系，不要沮丧，这个不显著性说明不了什么问题。

图1，当alt是第一列，slo是第二列时候，p值分别是0.001和0.64，下图如果把alt和slo掉个位置，slo和alt的p值立马变为0.001和0.002。