PC-ORD 规格
Advisor Wizard(顾问向导)
导入/导出文件格式
图形
数据修改
- 描述性统计和多样性指数
- 异常值分析
- Species-area Curves
- 物种列表
- 写距离矩阵
- Shuffle
排序 (Ordinations)
- Bray-Curtis（极坐标）排序 (Bray-Curtis (Polar) Ordination)
- 典范对应分析 (Canonical Correspondence Analysis (CCA))
- 去趋势对应分析 (Detrended Correspondence Analysis (DCA, DECORANA))
- 非度量多维标度 (Non-metric Multidimensional Scaling (NMS))
- NMS 得分 (NMS Scores)
- 主成分分析 (Principal Components Analysis (PCA))
- 主坐标分析 (Principal Coordinates Analysis (PCoA))
- 互惠平均 (Reciprocal Averaging (RA))
- 冗余分析 (Redundancy Analysis (RDA))
- 加权平均 (Weighted Averaging)
- 模糊集 (Fuzzy Set (FSO))
- 比较得分（比较排序）
群组 (Groups)
- 聚类分析 (Cluster Analysis)
- 双向聚类分析 (Two-way Cluster Analysis)
- 多响应置换程序 (MRPP)
- 区组化多响应置换程序 (MRBP)
- 指示种分析 (Indicator Species Analysis)
- 区组化指示种分析 (Blocked Indicator Species Analysis)
- 指示种的 Phi 系数 (Phi Coefficient for Indicator Species)
- Mantel 检验 (Mantel Test)
- 偏 Mantel 检验 (Partial Mantel Test)
- 基于排列的多元方差分析 (PerMANOVA)
- SumF 方法
- 双向指示种分析 (TWINSPAN)
Traits
总结
距离测量
矩阵运算
主要统计包中不可用的功能
一般的
系统操作
用户编写的插件工具
PC-ORD接口
PC-ORD图形界面
顾问向导
通过问答对话，PC-ORD 使用决策树来帮助您决定如何转换和分析数据。 您也可以将其用作自学工具。 社区分析海报的决策树现已可用。
图表
出版质量的图形可以打印、保存到文件或粘贴到其他应用程序中。 可以使用各种叠加，包括不同的符号大小、标签、矢量、网格和联合图。 数据中的代码按颜色或符号类型分组。
- 联合图 2D (Joint Plot 2D)
- 定量叠加 (Quantitative Overlay)
- 基本排序 2D (Basic Ordination 2D)
- CCA 双标图 (CCA Biplo)
- 基本排序 3D (Basic Ordination 3D)
- 联合图 3D (Joint Plot 3D)
- Plexus 叠加 (Plexus Overlay)
- 凸壳填充多边形 (Convex Hulls Filled Polygons)
|
- 山顶图 (Hilltop Plot)
- 等高线叠加 (Contour Overlay)
- 聚类分析 (聚类分析 (Cluster Analysis))
- 双向聚类树状图 (Two-way Cluster Dendrogram)
- 排序的主矩阵 (Ordered Main Matrix)
- 演替向量 (Successional Vectors)
- 平移到原点 (Translated To Origin)
- NMS 迭代压力 (NMS Stress by Iteration)
|
- 物种-面积曲线 (Species-area Curves)
- NMS 碎石图 (NMS Scree Plot)
- 简单散点图 (Simple Scatterplot)
- 优势度曲线 (Dominance Curves)
- 散点图矩阵 (Scatterplot Matrix)
- 分布 (Distributions)
- 箱线图 (Boxplots)
|
图形格式
- 反射/旋转排序
- 叠加侧图拟合包络
- 物种-面积曲线中的置信带
- PCA 双标向量（计算和绘制基于距离的物种或其他变量的双标）
- 将图形保存为 emf、wmf、bmp、jpeg、gif 和 tiff
- 单个图形上的 32 种符号类型或颜色
- 将图形分辨率设置为 dpi 或屏幕上的视图百分比以进行保存和复制
- 选择在轴的内部、外部或跨轴放置刻度线
- 排序点的象限敏感标记（点标签的更智能定位）
- 双标图、联合图和连续向量上的可选箭头和箭头大小
- 具有高斯核平滑的侧散点图上的包络
排序 (排序 (Ordinations))
Bray-Curtis (极坐标)
我们提供了超越 Bray 和 Curtis 原始方法的许多选项和改进，例如正交化和方差回归端点选择。
典范对应分析 (CCA)
CCA 在 PC-ORD 的排序方法中是独特的，因为主矩阵的排序（通过互惠平均）受到第二矩阵中变量的多元回归的约束。在群落生态学中，这意味着样本和物种的排序受到它们与环境变量关系的约束。当满足以下条件时，CCA 最有用：（1）物种响应是单峰的（驼峰状），并且（2）重要的潜在环境变量已被测量。
去趋势对应分析 (DCA, DECORANA)
DCA 是一种基于互惠平均（RA；Hill 1973）的特征分析排序技术。DCA 专门用于生态数据集，其术语基于样本和物种。DCA 同时对物种和样本进行排序。
非度量多维标度 (NMS)
非度量多维标度（NMS, MDS, NMDS 或 NMMDS）是一种非常适合于非正态数据或在任意、不连续或其他可疑尺度上的数据的排序方法。NMS 通常是群落数据的最佳排序方法。我们的自动驾驶功能使其易于使用。包含蒙特卡洛显著性检验。
NMS 碎石图示例
NMS 得分 (NMS 得分 (NMS Scores))
NMS 得分提供了非度量多维标度（NMS）的预测算法。这不是预报意义上的预测，而是像使用多元回归估计因变量那样的统计预测。NMS 得分根据先前的排序计算新项目的得分。
主成分分析 (PCA)
主成分分析是基本的特征分析技术。它最大化每个连续轴解释的方差。虽然它对许多群落数据集存在严重缺陷，但当数据集近似多元正态时，它可能是最佳技术。PCA 通常是群落数据的糟糕方法，但对于许多其他类型的多元数据，它是最佳方法。提供了 Broken-stick 特征值来帮助您评估统计显著性。
主坐标分析 (PCoA)
主坐标分析是一种类似于 PCA 的特征分析技术，不同之处在于从样本单位（行）之间的距离矩阵中提取特征向量，而不是从相关或协方差矩阵中提取。在 PCoA 中，可以使用任何平方对称距离矩阵，包括半度量如 Sorensen 距离，以及度量距离测量如欧氏距离。
互惠平均 (RA) = 对应分析 (CA)
互惠平均也称为对应分析（CA）。在 PC-ORD 中，通过在改编自 Cornell 生态学程序系列的 DCA 程序中选择选项来执行它。互惠平均（RA）自动产生正常和转置排序。像 DCA 一样，RA 同时对物种和样本进行排序。
冗余分析 (RDA)
冗余分析基于线性模型将一组响应变量建模为一组预测变量的函数。RDA 因此适用于与典范对应分析（CCA）相同的概念问题。然而，RDA 基于响应变量之间以及响应变量与预测变量之间的线性模型。另一方面，CCA 意味着对预测变量的单峰响应。
加权平均 (加权平均 (Weighted Averaging))
最简单但通常有效的排序方法是加权平均。基本操作相同：使用一组预先分配的物种权重（或物种组的权重）来计算站点（样本单位）的得分。计算是对样本单位中实际存在的物种或物种组的加权平均。加权平均用于联邦手册和许多生态学指数。
模糊集 (FSO)
模糊集排序将模糊集理论应用于生态排序中的直接梯度分析。这种排序方法要求用户假设物种群落与环境变量或其他预测变量之间的关系。预测变量最常见的是环境变量，但它们也可以是次级物种群落集，或任何与群落矩阵具有相同行数的其他定量数据集。群落数据放置在主矩阵中，次级集在第二矩阵中。产生的排序是样本单位在物种空间中的排序。可以通过单个加权平均步骤将物种叠加到排序上
比较得分 (比较排序)
评估两个排序的相似性，独立于任何旋转、反射、轴单位和维度数。这是通过评估两个排序的点间距离的相关性来完成的。对该相关性进行平方表示两个排序之间的冗余。对两个排序之间无关系的假设的形式化检验由 Mantel 检验提供。
群组 (群组 (Groups))
聚类分析 (聚类分析 (Cluster Analysis))
我们提供八种融合策略和八种距离测量方法，用于层次、多面、聚合聚类分析。分析中每一步都会给出结果，以及出版质量的最终树状图。聚类分析图形示例
双向聚类分析 (Two-way 聚类分析 (Cluster Analysis))
我们的双向聚类（也称为双聚类）的目的是以图形方式揭示聚类分析与您的单个数据点之间的关系。结果图使得很容易看到同组内的行之间、不同组的行之间、同组内的列之间、不同组的列之间的相似性和差异。您可以以图形方式看到行组和列组之间的关系。双向聚类是指对矩阵的行和列都进行聚类分析，然后在主矩阵表示旁边同时绘制两个树状图。主矩阵的行和列被重新排序以匹配树状图中项目的顺序。
双向聚类分析图形示例
群组连接方法 (Group Linkage Methods)
- 最近邻 (Nearest Neighbor)
- 最远邻 (Farthest Neighbor)
- 中位数 (Median)
- 群组平均 (Group Average)
- 质心 (Centroid)
- Ward 方法 (Ward's Method)
- 灵活 Beta (Flexible Beta)
- McQuitty 方法 (McQuitty's Method)
Ward 方法也称为 Orloci 方法和最小方差方法
多响应置换程序 (MRPP)
MRPP 是一种非参数过程，用于检验两个或多个实体组之间无差异的假设。组必须是先验的。例如，可以比较燃烧和未燃烧样地之间的物种组成，以检验无处理效应的假设。判别分析是一种可用于同一类一般问题的参数过程。然而，MRPP 的优点是不需要生态群落数据很少满足的假设（如多元正态性和方差齐性）。提供八种距离测量选项。
区组化多响应置换程序 (MRBP)
随机区组实验或配对样本数据可以使用称为 MRBP 或区组化 MRPP 的 MRPP 变体进行分析。PC-ORD 允许最多 1000 个区组和 100 个组。
指示物种分析
Dufrêne 和 Legendre（1997）提出的方法为 评估与样本单元组相关的物种这一问题提供了简单、直观的解决方案。该方法综合了两类信息： 物种多度在特定组群中的集中程度，以及 物种在特定组群中出现的忠实度。
它会为每个组群中的各个物种计算 指示值，并采用 蒙特卡洛方法对这些指示值进行统计显著性检验。
分区指示物种分析
Dufrêne 和 Legendre（1997）的指示种分析方法可以适应随机区组实验或配对样本设计. 数据在区组（或对）内按物种预先相对化，使得跨组的总和等于每个区组为一。如果物种在区组中不存在, 丰度保持为零。相对化改变指示值 (IV) index （IV）指数的相对丰度部分，以专注于区组内差异。然后照常运行 ISA. 随机化检验与常规 ISA 的不同之处在于，不是对组标识符进行无约束排列, 而是在区组内随机排列组.
指示物种的 Phi 系数
Tichy 和 Chytry（2006）提出的 Phi 系数 是一种用于评估物种相对于样本单元单向分组的指示值（诊断值）的方法。该方法仅适用于有–无数据（存在 / 缺失数据）。
若您拥有定量数据，并在指示物种分析设置中选择此选项，系统会自动将数据转换为有–无数据：所有大于 0 的数值将转换为 1，小于或等于 0 的数值转换为 0。Tichy 和 Chytry 的方法可校正各组间样本量不等带来的偏差，校正后的 Phi 系数也可在不同样本量的研究之间进行比较。
Mantel 检验
Mantel 检验评估两个不相似性（距离）或相似性矩阵之间无关系的零假设. Mantel 检验是回归距离矩阵的替代方案，可以避免这些矩阵中的部分依赖问题. 示例应用包括：评估来自同一组样本单位的两组生物之间的对应关系 或比较干扰前后的群落结构. PC-ORD 中有两种方法可用：Mantel 的渐近近似和随机化（蒙特卡洛）方法.
Partial Mantel 检验
偏 Mantel 检验需要三个矩阵，主矩阵、第二矩阵和控制矩阵. 零假设是在控制与第三（控制）矩阵的关系后，主矩阵和第二矩阵之间没有关系。例如，如果矩阵 X、Y 和 C 分别代表物种组成、环境因子和空间距离，那么我们寻求在控制 C 的情况下 X 和 Y 之间的偏相关。
PerMANOVA
PerMANOVA 执行基于距离的多元方差分析，也称为非参数 MANOVA 或 npMANOVA. 假设通过排列检验进行评估，而不是参考假设分布. 选项包括：单因子、嵌套和区组设计.
SumF
比较两个或多个样本单位组的一种简单但令人惊讶的有效方法是计算每个变量的单变量 F 统计量，将这些 F 统计量求和，然后将结果总和与在零假设下随机化数据得出的 F 统计量分布进行比较. 这是 SumF 方法的核心，如 Edginton（1995）所建议的那样。Warton 和 Hudson（2004）发现该方法与基于距离的方法相比具有良好的性能 (2004). 该方法的一个优点是，通过将一个简单、众所周知的检验统计量 F 比率聚合成跨多个变量的汇总统计量，我们同时获得了关于跨所有变量和单个变量组之间差异的信息. 因此，对于一般问题"群落之间是否存在差异？"，SumF 方法允许我们报告整体群落以及单个物种的答案.
TWINSPAN
TWINSPAN 同时对物种和样本进行分类。在其核心，TWINSPAN 基于分割互惠平均排序空间. TWINSPAN 最有用的功能之一是最终的有序双向表。物种名称排列在表的左侧，而样本编号在顶部. 右侧和底部的零和一的模式分别定义了物种和样本分类的树状图. 表内部包含每个样本中每个物种的丰度类。丰度类由伪物种切割水平定义.
导入/导出文件格式
- Excel (*.xls) 和 Excel 2007 (*.xlsx)
- 电子表格 (*.wk1)
- 精简的
- 数据库
- Cornell condensed
- 逗号分隔值 (*.csv)
数据修改
转换
- 幂转换 (power transformation)
- 对数转换 (logarithmic)
- 反正弦 (arcsine)
- 反正弦平方根 (arcsine squareroot)
- Beals 平滑 (Beals smoothing)
- 存在-缺失 (presence - absence)
相对化 (Relativizations)
- 按总和 (by totals)
- 按最大值比例 (by proportion of maximum)
- 秩 (rank)
- 均值偏差 (deviation from mean)
- 相对于中位数的二值化 (binary with respect to median)
- 普遍性 (ubiquity)
- 均值偏差 (deviation from mean)
- 相对于均值的二值化 (binary with respect to mean)
- 普遍性的信息函数 (info function of ubiquity)
- Hellinger (Hellinger)
性状 (Traits)
PC-ORD 7 提供了将物种性状数据（性状矩阵）与群落样本（主矩阵）和环境数据（第二矩阵）关联的方法。虽然许多这些操作可以在其他 PC-ORD 菜单项中完成，但性状菜单提供了几种针对此类数据的特定操作。
性状 | 分类转换为二值 (Traits | Categorical to Binary)
如果对于给定变量有 n 个唯一类别（值标签），则将生成 n 个新的二值（0/1）变量。每个新变量将被指定为值为 0 或 1 的 Q 变量。
性状 | 创建性状组合 (Traits | Create Trait Combinations)
通过组合两个现有变量的类别来创建一个新的分类变量。两个选定变量的每个类别组合都被视为新变量中的一个新类别。结果的新变量始终是分类的。现有变量保持不变，但您可以使用修改 | 删除列轻松删除它们。
例如，假设您有两个分类变量，一个编码本地物种与非本地物种，一个编码一年生植物与多年生植物。这在分析中可能效果很好，但是如果具有这些组合的物种（例如非本地一年生物种）在生态上与所有剩余物种特别不同怎么办？因此，您可能希望创建一个新的分类变量，包含这些性状类别的所有四个组合：（1）本地一年生物种，（2）本地多年生物种，（3）非本地一年生物种，（4）非本地多年生物种。
性状 | 计算样本单位 x 性状矩阵 (Traits | Calculate SU x Traits Matrix)
计算样本单位 x 性状矩阵提供了分析物种性状与解释变量关系的灵活的第一步。该矩阵通过将样本单位 x 物种矩阵乘以物种 x 性状矩阵获得，但结果矩阵的内容取决于性状是否标准化以及如何标准化，以及乘法是否后跟加权平均步骤（McCune 2015）。为了最大化样本单位 x 性状矩阵的通用性，包括性状之间的可比性，以及与各种距离测量的可用性，我们建议首先通过最小-最大标准化性状，然后在每个样本单位中计算丰度加权性状平均值。
性状 | 性状空间中的物种距离 (Traits | Species Distances in Trait Space)
可以通过计算物种之间的距离矩阵来比较物种的性状，从物种 x 性状矩阵开始。这在数学上与计算物种空间中样本单位之间的距离矩阵相同，不同之处在于在这种情况下，对象是物种，其属性是性状，而不是对象是样本单位，属性是物种。性状菜单提供的距离测量与物种空间中样本单位之间的距离测量相同。
性状 | 功能多样性 (Traits | Functional Diversity)
功能多样性分析样本单位 x 物种矩阵与物种 x 性状矩阵的组合。功能多样性测量试图描述样本单位中代表的物种功能性状的多样性，而不仅仅是物种多样性。例如，包含三个物种的样地，如果所有物种具有相同的性状，则被认为比单个物种的多样性不多。同样，具有非常不同功能性状的两个物种比功能性状相似的两个物种贡献更多的功能多样性。例如，如果我们在一个样地中有两个物种，一个是喜阳光的先锋杂草物种，另一个是定殖能力差的耐阴物种，那么该样地将比两个都是定殖能力差的耐阴物种的不同物种具有更多的功能多样性。
性状 | 第四角分析 (Traits | Fourth Corner Analysis)
通过样本单位 × 物种矩阵将物种性状与环境变量关联起来的方法学问题，被称为第四角问题。这一命名源于四个基础矩阵的排列方式（参见 Dray 和 Legendre 2008，图 1a 以及 McCune 和 Grace 2002，图 2.1 中所示的性状 × 环境位置）。第四角分析可对这些矩阵之间关联强度进行统计检验。如需了解第四角分析的理论与数学原理的详细说明，可参考 Legendre 等（1997）、Dray 和 Legendre（2008）、Ter Braak 等（2012）以及 Dray 等（2014）的文献。
模糊集 (Fuzzy Set (FSO))
模糊集排序将模糊集理论应用于生态排序中的直接梯度分析。这种排序方法要求用户假设物种群落与环境变量或其他预测变量之间的关系。预测变量最常见的是环境变量，但它们也可以是次级物种群落集，或任何与群落矩阵具有相同行数的其他定量数据集。群落数据放置在主矩阵中，次级集在第二矩阵中。产生的排序是样本单位在物种空间中的排序。可以通过单个加权平均步骤将物种叠加到排序上
总结 (Summaries)
描述性统计和多样性指数 (Descriptive Statistics and Diversity Indices)
总结行或列的属性（均值、标准差、总和、最小值、最大值、偏度、峰度），以及多样性指标：丰富度、均匀度、Simpson 指数和 Shannon 指数）。
异常值分析 (Outlier Analysis)
检测多元异常值。这些在生态数据中很常见，并且它们通常对多元分析的结果产生不当影响。
物种-面积曲线 (Species-area Curves)
物种-面积曲线通过随机子采样数据集构建。物种-面积曲线常在研究设计期间使用，以帮助确定样本大小。物种-面积曲线图形示例
物种列表 (Species Lists)
根据物种文件从电子表格中轻松生成物种列表。该文件将您的物种缩写与完整的物种名称关联，正如它们将在您的列表中显示的那样。为每个样本单位或您的组合样本单位请求物种列表。您可以包括关键摘要统计信息，例如每个物种的频率和丰度。
写入距离矩阵 (Write Distance Matrix)
虽然 PC-ORD 中的许多分析计算距离矩阵并提供将距离矩阵写入结果文件，但这些具有有限的格式和选项。如果您希望在其他软件中使用距离矩阵，将其保存以进行进一步分析，或者只是计算距离矩阵而不进行其他分析，请考虑写入距离矩阵。
随机打乱 (Shuffle)
将列中的值随机重新分配到同一列中的新位置。结果数据集具有相同的列总计、矩阵总计和包含零的元素数量，但它有效地随机化了数据集。为什么要打乱数据？探索多元方法如何能够从无意义的数据中检测出模式。生成零模型以便与未打乱的数据进行比较。
距离测量
- Sorensen (Bray-Curtis)
- 相对 Sorensen (Relative Sorensen)
- Jaccard (Jaccard)
- 欧氏距离（毕达哥拉斯） (Euclidean (Pythagorean))
- 相对欧氏距离 (Relative Euclidean)
- 相关系数 (Correlation)
- 卡方 (Chi-squared)
- 平方欧氏距离 (Squared Euclidean)
- Morisita-Horn 距离 (Morisita-Horn)
- Gower 距离 (Gower)
- Gower 忽略 0,0 (Gower ignore 0,0)
矩阵操作
- 转置 (transpose)
- 与第二矩阵切换 (switch with secondary matrix)
- 乘以第二矩阵 (multiply by secondary matrix)
- 删除列或行 (delete columns or rows)
- 删除具有 < N 个非零值的行或列
- 删除按矩阵变量过滤的行 (delete rows filtered by matrix variable)
- 乘以或加上一个常数 (multiply or add a constant)
- 追加矩阵 (append matrix)
- 扩充矩阵 (augment matrix)
- 随机抽样 (random sample)
- 分层随机抽样 (stratified random sample)
主要统计软件包中不可用的功能
- CCA
- NMS Autopilot mode (NMDS)
- NMS Predictive-mode (NMDS)
- 基于排列的多元方差分析 (PerMANOVA)
- Indicator species analysis (Dufrêne & Legendre)
- DCA (DECORANA)
- 双向指示种分析 (TWINSPAN)
- Two-way 聚类分析 (Cluster Analysis) (biclustering)
- MRPP
- Blocked MRPP
- Species-area curves
- Diversity indices
- Species lists
- Mantel 检验 (Mantel Test)
- Various rotation methods
- 3-D ordination graphics
- Publication-quality dendrograms
- Ordination overlay methods:
- Quantitative, grid, joint plot, biplot, and
- succesional vector, all with symbol and color coding
- Bray-Curtis（极坐标）排序 (Bray-Curtis (Polar) Ordination)
- City-block distance measures
- Tree data summaries
- Species 排序 (Ordinations) for NMS, BC, PCA
- Beals 平滑 (Beals smoothing)
- Species list broken down by 群组 (Groups)
- Permutation-based MANOVA (PerMANOVA) with one-way, 因子、嵌套和区组设计
- Current Profile to display most important summary features of your data set
- Smoothed univariate frequency distributions calculated with density estimation techniques
- Species associations based on 2 x 2 contingency tables
- Advisor Wizard: Helps you to decide how to analyze your data, based on a decision tree.
- Simultaneous adjustment of main and second matrices (for example, simultaneous deletion of rows from both matrices)
- Filter rows by criterion variable in main or second matrix
- Randomization tests for PCA
- 聚类分析 (Cluster Analysis) from distance matrix directly
- Mantel test based on rank correlation or rank-transformed distance matrix
- Write distance matrix to spreadsheet or text file; full matrix or pairwise list
- Save NMS 得分 (NMS Scores) to text file, spreadsheet, or result file
- Option to break down row and column summaries by a variable in the second matrix.
- Allow direct modifications of second matrix
- Add scores to second matrix
- Append matrices (append rows and match columns)
- Terminology tailored to ecology
通用
- 优秀生态助教
- 200,000,000 x 200,000,000 数据集，有一些限制
- 32 位 Windows/NT
- 编辑矩阵电子表格
系统要求
- 操作系统：Windows 98、NT、ME、2000、XP、Vista、7、8和10
- 80486 或更高的 CPU（包括 Pentium 4、Athlon、Celeron 等）
- 8 MB RAM（更多 RAM 意味着能够分析更大的数据集）
- 16 MB 可用硬盘空间
- PC-ORD 网络安装指南
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
