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。