CCorA(vegan)
CCorA()所属R语言包：vegan
Canonical Correlation Analysis
典型相关分析
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Canonical correlation analysis, following Brian McArdle's unpublished graduate course notes, plus improvements to allow the calculations in the case of very sparse and collinear matrices, and
典型相关分析，布赖恩·麦卡德尔未出版的研究生课程讲义，再加上改进，允许的情况下，很稀疏，线的矩阵计算，并
用法----------Usage----------
CCorA(Y, X, stand.Y=FALSE, stand.X=FALSE, nperm = 0, ...)
## S3 method for class 'CCorA'
biplot(x, plot.type="ov", xlabs, plot.axes = 1:2, int=0.5,
col.Y="red", col.X="blue", cex=c(0.7,0.9), ...)
参数----------Arguments----------
参数：Y
Left matrix (object class: matrix or data.frame).
左矩阵（对象类：matrix或data.frame）。
参数：X
Right matrix (object class: matrix or data.frame).
权值矩阵（对象类：matrix或data.frame）。
参数：stand.Y
Logical; should Y be standardized?
逻辑;应该Y地标准化？
参数：stand.X
Logical; should X be standardized?
逻辑;应该X地标准化？
参数：nperm
Numeric; number of permutations to evaluate the significance of Pillai's trace, e.g. nperm=99 or nperm=999.
数字的排列组合，皮莱的跟踪评估的意义，例如： nperm=99或nperm=999。
参数：x
CCoaR result object.
CCoaR结果对象。
参数：plot.type
A character string indicating which of the following plots should be produced: "objects", "variables", "ov" (separate graphs for objects and variables), or "biplots". Any unambiguous subset containing the first letters of these names can be used instead of the full names.
一个字符的字符串，表示以下的图，须出示："objects"，"variables"，"ov"（单独的图形对象和变量），或"biplots"。可用于任何明确的子集包含这些名字的第一个字母，而不是全名。
参数：xlabs
Row labels. The default is to use row names, NULL uses row numbers instead, and NA suppresses plotting row names completely.
行标签。默认情况下是使用行名称，NULL使用行号，而是和NA抑制绘制行的完整名称，。
参数：plot.axes
A vector with 2 values containing the order numbers of the canonical axes to be plotted. Default: first two axes.
要绘制一个向量，其值包含的典型轴的顺序号。默认值：前两个轴。
参数：int
Radius of the inner circles plotted as visual references in the plots of the variables. Default: int=0.5. With int=0, no inner circle is plotted.
内圆的半径绘制在图的变量作为视觉参考。默认值：int=0.5。随着int=0，无内圈绘制。
参数：col.Y
Color used for objects and variables in the first data table (Y) plots. In biplots, the objects are in black.
对象和变量的第一个数据表（Y）图使用的颜色。在二维图中，对象是黑色的。
参数：col.X
Color used for objects and variables in the second data table (X) plots.
所使用的颜色的对象和变量，在第二数据表（X）的图。
参数：cex
A vector with 2 values containing the size reduction factors for the object and variable names, respectively, in the plots. Default values: cex=c(0.7,0.9).
与2的尺寸减小的因素的值包含对象和变量名，分别在图的向量。默认值：cex=c(0.7,0.9)。
参数：...
Other arguments passed to these functions. The function biplot.CCorA passes graphical arguments to biplot and biplot.default. CCorA currently ignores extra arguments.
其他参数传递给这些函数。的功能biplot.CCorAbiplot和biplot.default通过图形参数。 CCorA会忽略额外的参数。
Details
详细信息----------Details----------
Canonical correlation analysis (Hotelling 1936) seeks linear combinations of the variables of Y that are maximally correlated to linear combinations of the variables of X. The analysis estimates the relationships and displays them in graphs. Pillai's trace statistic is computed and tested parametrically (F-test); a permutation test is also available.
典型相关分析（霍特林1936年）旨在Y最大相关的X的变量的线性组合的变量的线性组合。分析估计的关系，并将其显示在图表中。皮莱的跟踪统计计算和测试参数（F-检验），也可用于一个置换试验。
Algorithmic note – The blunt approach would be to read the two matrices, compute the covariance matrices, then the matrix S12 %*% inv(S22) %*% t(S12) %*% inv(S11). Its trace is Pillai's trace statistic. This approach may fail, however, when there is heavy multicollinearity in very sparse data matrices. The safe approach is to replace all data matrices by their PCA object scores.
算法注 - 钝的方法是阅读的两个矩阵，计算协方差矩阵，则矩阵S12 %*% inv(S22) %*% t(S12) %*% inv(S11)。它的踪影皮莱的跟踪统计。这种方法可能会失败，然而，当有大量多重共线性非常稀疏的数据矩阵中。安全的做法是，以取代所有数据矩阵PCA对象分数。
The function can produce different types of plots depending on the option chosen: "objects" produces two plots of the objects, one in the space of Y, the second in the space of X; "variables" produces two plots of the variables, one of the variables of Y in the space of Y, the second of the variables of X in the space of X; "ov" produces four plots, two of the objects and two of the variables; "biplots" produces two biplots, one for the first matrix (Y) and one for second matrix (X) solutions. For biplots, the function passes all arguments to biplot.default; consult its help page for configuring biplots.
该功能可以产生不同类型的图，这取决于选择的选项："objects"两幅的对象，在Y的空间，在空间的X第二，“"variables"两幅变量，其中的Y的变量Y的空间中，所述第二变量的X中的X的空间;"ov"产生四个样区，两个的对象和两个变量;<X >产生两个二维图，1（Y）的第一矩阵和第二矩阵（X）的解决方案之一。对于二维图，函数传递的所有参数"biplots";征询其所属的帮助页面配置二维图。
值----------Value----------
Function CCorA returns a list containing the following elements:
功能CCorA返回一个列表，包含以下元素：
参数： Pillai
Pillai's trace statistic = sum of the canonical eigenvalues.
皮莱的跟踪统计的典型特征值= SUM。
参数： Eigenvalues
Canonical eigenvalues. They are the squares of the canonical correlations.
典型的特征值。它们的典型相关的平方。
参数： CanCorr
Canonical correlations.
典型相关分析。
参数： Mat.ranks
Ranks of matrices Y and X.
队伍矩阵Y和X。
参数： RDA.Rsquares
Bimultivariate redundancy coefficients (R-squares) of RDAs of Y|X and X|Y.
的Bimultivariate的冗余系数（R-平方）的区域发展局的X和Y | X | Y。
参数： RDA.adj.Rsq
RDA.Rsquares adjusted for n and the number of explanatory variables.
RDA.Rsquaresn和解释变量的数目调整。
参数： nperm
Number of permutations.
的排列数目。
参数： p.Pillai
Parametric probability value associated with Pillai's trace.
参数概率值与皮莱的跟踪。
参数： p.perm
Permutational probability associated with Pillai's trace.
Permutational概率相关联与皮莱的跟踪。
参数： Cy
Object scores in Y biplot.
在Y双标图对象的分数。
参数： Cx
Object scores in X biplot.
在X双标图对象的分数。
参数： corr.Y.Cy
Scores of Y variables in Y biplot, computed as cor(Y,Cy).
成绩计算的Y变量在Y双标图，肺心病（Y，CY）。
参数： corr.X.Cx
Scores of X variables in X biplot, computed as cor(X,Cx).
成绩计算变量X在X双标图，COR（X，CX）。
参数： corr.Y.Cx
cor(Y,Cy) available for plotting variables Y in space of X manually.
肺心病（Y，CY）可手动绘制变量Y的X空间。
参数： corr.X.Cy
cor(X,Cx) available for plotting variables X in space of Y manually.
COR（X，CX）为手工绘制变量X，Y的空间。
参数： call
Call to the CCorA function.
调用的CCorA功能。
（作者）----------Author(s)----------
Pierre Legendre, Departement de Sciences Biologiques,
Universite de Montreal. Implemented in <span class="pkg">vegan</span> with the help of
Jari Oksanen.
参考文献----------References----------
variates. Biometrika <STRONG>28</STRONG>: 321-377.
concordance revisited. Journal of Agricultural, Biological, and Environmental Statistics <STRONG>10</STRONG>: 226-245.
实例----------Examples----------
# Example using two mite groups. The mite data are available in vegan[示例使用两个螨组。该螨的数据是全素]
data(mite)
# Two mite species associations (Legendre 2005, Fig. 4)[两个的螨种协会（勒让德2005年，图4）]
group.1 <- c(1,2,4:8,10:15,17,19:22,24,26:30)
group.2 <- c(3,9,16,18,23,25,31:35)
# Separate Hellinger transformations of the two groups of species [独立海宁格转换的两个物种群]
mite.hel.1 <- decostand(mite[,group.1], "hel")
mite.hel.2 <- decostand(mite[,group.2], "hel")
rownames(mite.hel.1) = paste("S",1:nrow(mite),sep="")
rownames(mite.hel.2) = paste("S",1:nrow(mite),sep="")
out <- CCorA(mite.hel.1, mite.hel.2)
out
biplot(out, "ob") # Two plots of objects[两幅对象]
biplot(out, "v", cex=c(0.7,0.6)) # Two plots of variables[两幅变量]
biplot(out, "ov", cex=c(0.7,0.6)) # Four plots (2 for objects, 2 for variables)[四图（2对象的变量，2）]
biplot(out, "b", cex=c(0.7,0.6)) # Two biplots[两个二维图]
biplot(out, xlabs = NA, plot.axes = c(3,5)) # Plot axes 3, 5. No object names[图轴，5。没有对象的名称]
biplot(out, plot.type="biplots", xlabs = NULL) # Replace object names by numbers[用数字替换对象名称]
# Example using random numbers. No significant relationship is expected[实施例使用的随机数。预期没有显着的关系]
mat1 <- matrix(rnorm(60),20,3)
mat2 <- matrix(rnorm(100),20,5)
out2 = CCorA(mat1, mat2, nperm=99)
out2
biplot(out2, "b")
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-10-1 15:04:45
