R语言中的Anosim分析该如何理解，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
无论是野外环境样品，还是室内试验样品，一般我们都会设置样方或平行样来增强分析的准确性，必要时还会进行区组设计，因此在数据分析中需要进行组间差异的比较判别。然而对于微生物群落数据，由于物种繁多，而且不同物种的敏感环境因子不同，因此基于正态分布的参数检验难以满足分析需要，要进行多元非参数检验（non-parametric multivariate statistical tests）来计算显著性，R语言vegan包含有多种非参数检验方法，包括Anosim、Adonis、MRPP等，不同方法在统计量的选择、零模型等方面存在差异。
#读取抽平后的OTU_table和环境因子信息data=read.csv("otu_table.csv", header=TRUE, row.names=1)envir=read.table("environment.txt", header=TRUE)rownames(envir)=envir[,1]env=envir[,-1]#筛选高丰度物种并将物种数据标准化means=apply(data, 1, mean)otu=data[names(means[means>10]),]otu=t(otu)#根据地理距离聚类kms=kmeans(env, centers=3, nstart=22)Position=factor(kms$cluster)#进行Anosim分析library(vegan)anosim=anosim(otu, Position, permutations=999)summary(anosim)
假如R>0，说明组内距离小于组间距离，也即分组是有效的，这与方差分析中比较组内方差与组间方差来判断的原理是类似的。由上面分析结果可以看到R=0.4613，大于零模型99%分位数0.290，因此p值为0.001，结果是显著的。我们可以提取分析结果，如下为距离的秩：
因为有22个样品，所以应该有C(22, 2)=231个距离。如下为上述距离对应的归属：
mycol=c(52,619,453,71,134,448,548,655,574,36,544,89,120,131,596,147,576)mycol=colors()[mycol]par(mar=c(5,5,5,5))result=paste("R=",anosim$statistic,"p=", anosim$signif)boxplot(anosim$dis.rank~anosim$class.vec, pch="+", col=mycol, range=1, boxwex=0.5, notch=TRUE, ylab="Bray-Curtis Rank", main="Bray-Curtis Anosim", sub=result)
看完上述内容，你们掌握R语言中的Anosim分析该如何理解的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
