计学家的答案也是五花八门。我们建议你不必太在意关于数据的分布特征,比如原始数据不一定符合理想的正态分布,对于排序来说,也不一定非要通过对数转化为正态分布的类型。是否需要对数转化,关键还是比较原始数据和转化数据分析处理的最终结果哪个更好解释你所要探讨的问题。正如上面所描述那样,排序可以被看作多重回归的扩展,所以整个排序方法可以用简单回归的语言来描述。你可以通过一个或多个预测器(环境因子或排序轴)来预测一个响应变量(比如物种的多度)。比如,在一元线形回归方程中(y=B 0+BX+E),你可以问当x变化一个单位时,y的平均值是如何变化的?如果自变量和因变量都没有对数转化,你可以回答这个问题:当x增加一个单位时候,y的增量是B。但在很多情况下, 你可能更倾向听到这样的解释,如果变量X增加一个单位,Y的量将增加10%,或是,y 增加1.1倍这样的话。显然,这已经并不是线形回归模型所能体现出来的,因此,这种前情况下,你需要对响应变量进行对数转化。同样,如果预测器(环境因子)变化是成倍增长,此时的环境变量也应该被对数转化。植物群落组成数据有时是半量化估计尺度数据,比如最典型的例子是多度的 Braun-Blanquet等级估计(7个等级水平,分别为r,+,1,2,3,4,5这7个标号表示)。这个等级估计经常在数据表格里用1-7的数据来代替原来的标号进行分析。其实,这个量化1-7 的数字已经相当原始多度数据的对数转化,因为不同等级的多度变化往往是成倍增加的,不是简单的单位量的变化。在CANOCO里面另外一种有用的数据转化模式是平方根转化。平方根转化更适合观测计数数据(count data),比如在土壤收集器中收集到标本个体的数量,或是通过某一条标志线蚂蚁的数量等等这样的观测数据。但对数转化对这样的数据进行转化也是可以的。当然,如果你觉得需要某种除了对数转化和平方根之外的数据转化,你可以在数据
全文预览
