• Объяснить почему для некоторых задач больше подходят многомерные данные
• Объяснить суть понятия “многомерное пространство признаков”
• Представить многомерные данные в виде матриц описания значений признаков для объектов
• Оценить сходство/различие между объектами с помощью специальных коэффициентов
• Описать взаиморасположение объектов в многомерном пространстве признаков с помощью матриц
• Визуализировать взаиморасположение объектов с помощью простейших методов

Пусть у нас имеется две группы объектов, у которых мы изучили некий признак. Мы хотим тестировать гипотезу о том, что эти две группы различаются.

Вспомним логику тестирования гипотез.

Теперь представим, что наш объект, по своей природе, не может быть описан только по одному признаку

• Сообщества (признаки - виды)
• Форма тела (признаки - размеры тех или иных частей)
• Социальная активность животного (признаки - проявление того или иного паттерна)
• Общественное мнение (признаки - ответы на разные вопросы анкет)
• Транскриптом (признаки - транскрипты)

Предположим, что объекты характеризуются только двумя признаками

• Выявление взаимоотношений (сходства-различия) между объектами (или признаками):
• Классификация (Кластерный анализ)
• Ординация. В том числе картирование пространственно выраженных объектов (nMDS, PCA).
• Тестирование гипотез о различиях между группами объектов (ANOSIM, PERMANOVA).
• Выявление связи между группами признаков (тест Мантела, BIOENV, RDA, CCA).

Данные представляются в виде таблицы (матрицы), где строками являются объекты (Objects), а столбцами признаки (Descriptors).

R и Q

• R-анализ: Выясняем взаимоотношения между признаками
• Q-анализ: Выясняем взаимоотношения между объектами

• Признаки - оси
• Объекты - точки

В большинстве случаев нас интересуют не абсолютные значения координат (признаков), а взаиморасположение точек в многомерном пространстве.

Существует два основных способа описания.

Два объекта и два признака

Когда объектов больше двух, то расстояния между объектами можно выразить матрицей расстояний.

##     1   2   3   4
## 1 0.0 5.0 3.6 1.1
## 2 5.0 0.0 2.8 6.0
## 3 3.6 2.8 0.0 4.3
## 4 1.1 6.0 4.3 0.0

Охарактеризуйте эту матрицу

• Квадратная матрица
• Симметричная матрица

Облако точек в n-мерном пространстве значений признаков.

At! Не пытайтесь представить n-мерный объект… Просто работайте с ним.

• Warning

\[D = \sqrt{\sum(x_{i,j} - x_{i,k})^2}\]

В n-мерном пространстве соблюдаются те же законы, что и на плоскости.

##        1      2      3      4
## 1    0.0  158.1   22.3 9900.0
## 2  158.1    0.0  136.0 9742.0
## 3   22.3  136.0    0.0 9878.0
## 4 9900.0 9742.0 9878.0    0.0

##        1      2      3      4
## 1    0.0                     
## 2  158.1    0.0              
## 3   22.3  136.0    0.0       
## 4 9900.0 9742.0 9878.0    0.0

##        1      2      3
## 2  158.1              
## 3   22.3  136.0       
## 4 9900.0 9742.0 9878.0

Количество значимых чисел в треугольной матрице:

\[N = \frac{n^2 - n}{2}\]

##        1      2      3
## 2  158.1              
## 3   22.3  136.0       
## 4 9900.0 9742.0 9878.0

## [1]  158.1   22.3 9900.0  136.0 9742.0 9878.0

В этом примере используется сокращенный набор данных о бентосе Долгой губы (Нинбург, 1990; Хайтов и др., 2013) — только численность наиболее обильных видов на 68 станциях.

abund <- read.table("data/dolg_abundance.txt", skip = 1, header = TRUE, sep = ";")
hydrol <- read.table("data/dolg_hydrology.txt", skip = 1, header = TRUE, sep = ";")

Существуют ли группировки описаний, сходных по населению?

Задание: Нарисуйте на бумаге как, по вашему мнению, должны располагаться объекты (описания-станции) в n-мерном пространстве признаков, если существует две группировки.

Переменные могут быть измерены в разных шкалах

• численность, биомасса и проективное покрытие разных организмов
• температура воды, соленость и концентрация биогенов
• Размеры частей тела, количество частей тела, площадь частей тела

Для таких случаев необходима стандартизация величин. Этот прием будет постоянно применяться при многомерных анализах, основанных на матричной алгебре.

\[x_{stand} = \frac{x_i - \bar{x}}{\sigma_x}\]

• Вопрос: Какими свойствами обладают стандартизованные величины?
• Среднее значение равно нулю.
• Среднеквадратичное отклонение равно единице.

В ряде случаев (особенно в экологических исследованиях) необходимо перевести абсолютные значения в относительные (доли от суммы или от максимума)

\[x_{rel} = \frac{x_i}{\sum x_i} \times 100 \%\]

\[x_{rel} = \frac{x_i}{max(x_i)} \times 100 \%\]

На основе датасета, содержащего данные по обилию видов, создайте матрицу, содержащую относительные величины (доли обилия каждого вида в общем обилии организмов на данной станции)

Hint: Воспользуйтесь функцией apply()

total <- apply(abund[, -1], MARGIN = 1,FUN = sum)
abund_rel <- abund[, -1] / total

head(abund_rel[,1:3])

##   Eteone_longa Nemertini Harmothoe_imbricata
## 1       0.0000   0.00772              0.0232
## 2       0.0000   0.00000              0.0000
## 3       0.0000   0.00000              0.0000
## 4       0.0000   0.00000              0.0000
## 5       0.0000   0.02857              0.0000
## 6       0.0143   0.01429              0.0000

library (vegan)

• Пакет vegan позволяет проводить много типов многомерных анализов (но не все!).
• Ориентирован на экологические данные, отсюда много экологических терминов (признаки – “species”, объекты – “sites”)
• Исчерпывающее описание методов, реализованных в vegan, дается в “Numerical ecology” (Legendre & Legendre, 2012)
• Альтернатива – пакет ade4

Относительные величины

abund_rel <- decostand(abund[,-1], method = "total", MARGIN = 1)
head(abund_rel[, 1:3])

##   Eteone_longa Nemertini Harmothoe_imbricata
## 1       0.0000   0.00772              0.0232
## 2       0.0000   0.00000              0.0000
## 3       0.0000   0.00000              0.0000
## 4       0.0000   0.00000              0.0000
## 5       0.0000   0.02857              0.0000
## 6       0.0143   0.01429              0.0000

С помощью пакета vegan создайте еще два датасета:

• abund_stand – Стандартизованные величины обилий видов
• abund_log – Логарифмированные величины обилий видов

abund_stand <- decostand(abund[,-1], method = "standardize", MARGIN = 2)
head(abund_stand[, 1:3])

##   Eteone_longa Nemertini Harmothoe_imbricata
## 1       -0.329    0.6878               2.783
## 2       -0.329   -0.5594              -0.508
## 3       -0.329   -0.5594              -0.508
## 4       -0.329   -0.5594              -0.508
## 5       -0.329    0.6878              -0.508
## 6        0.118    0.0642              -0.508

abund_log <-  decostand(abund[,-1], method = "log", MARGIN = 2)
head(abund_log[, 1:3])

##   Eteone_longa Nemertini Harmothoe_imbricata
## 1         0.00      6.32                7.91
## 2         0.00      0.00                0.00
## 3         0.00      0.00                0.00
## 4         0.00      0.00                0.00
## 5         0.00      6.32                0.00
## 6         5.32      5.32                0.00

dist_init <- vegdist(abund[,-1], method = "euclidean")
dist_stand <- vegdist(abund_stand, method = "euclidean")
dist_log <- vegdist(abund_log, method = "euclidean")
dist_rel <- vegdist(abund_rel, method = "euclidean")

Самый простой анализ - частотное распределение расстояний между объектами.
Позволяет понять есть ли сгущения в облаке точек в n-мерном пространстве признаков.

Задание: Создайте вектор, соответствующий развернутой (unfolded) матрице эвклидовых расстояний, основанной на относительных обилиях видов, и постройте частотную гистограмму для этого вектора.

disatances <- data.frame(Init = as.numeric(dist_init), 
                        Stand = as.numeric(dist_stand),
                        Log = as.numeric(dist_log),
                        Rel = as.numeric(dist_rel))


Pl_hist <- ggplot(disatances) + geom_histogram()
Pl_init <- Pl_hist + aes(x = Init) + ggtitle("Исходные данные") + labs(x = "Евклидово расстояние")
Pl_stand <- Pl_hist + aes(x = Stand) + ggtitle("Стандартизация") + labs(x = "Евклидово расстояние")
Pl_log <- Pl_hist + aes(x = Log)  + ggtitle("Логарифмирование")+ labs(x = "Евклидово расстояние")
Pl_rel <- Pl_hist + aes(x = Rel) + ggtitle("Относительные величины")+ labs(x = "Евклидово расстояние")

Если в n-мерном облаке точек присутствуют несколько “сгущений”, то расстояния между объектами делятся на внутригрупповые (пик в области малых значений расстояний) и межгрупповые (пик в области высоких значений)

Мы уже знаем, что от способа выражения признаков очень многое зависит.

Однако еще сильнее анализ зависит от того с помощью какой величины (Resemblance coefficients) описывается степень различия между объектам.

Задание: 1. На базе датасета abund_log, используя функцию vegdist() рассчитайте матрицу различий между объектами (dist_eucl), основанную на евклидовом расстоянии.

1. На том же датасете постройте матрицу различий (dist_bray), основанную на методе, называемом ‘bray’.

2. Разверните обе матрицы в векторы.

3. Постройте для этих векторов частотные диаграммы.

dist_eucl <- vegdist(abund_log, method = "euclidean")
dist_bray <- vegdist(abund_log, method = "bray")

dists <- data.frame(Euclidean = as.numeric(dist_eucl), 
                    Bray = as.numeric(dist_bray))

Pl_hist <- ggplot(dists) + geom_histogram()
Pl_eucl <- Pl_hist + aes(x = Euclidean)
Pl_bray <- Pl_hist + aes(x = Bray)

grid.arrange(Pl_eucl, Pl_bray, ncol = 2)

• Сходство (S) достигает максимума, когда объекты обладают идентичными признаками, различиe (D), наоборот - достигает минимума.

• Обычно (но не всегда) коэффициенты сходства распределены от 0 до 1.

• Тогда \(D = 1 - S\), или \(D = \sqrt{1 - S}\), или \(D = \sqrt{1-S^2}\).

• Показатели можно нормировать. \(D_{norm} = \frac{D}{D_{max}}\), или \(D_{norm} = \frac{D - D_{min}}{D_{max} - D_{min}}\).

В большинстве случаев нас будут интересовать меры различия между объектами

##         D1 D2 D3 D4 D5 D6 D7 D8 D9 D10
## Object1  0  0  0  0  0  0  0  2  2   1
## Object2  0  0  0  0  0  4  5  0  0   1

О чем говорит то, что признаки D1, D2, D3, D4, D5 не были отмечены у двух объектов?

• Вариант 1. Это ничего не означает. Признаки D1, D2, D3, D4, D5 можно не учитывать при сравнении объектов 1 и 2.
• Вариант 2. Отсутствие признака - дополнительное сходство между объектами. Сходство между объектами 1 и 2 повышается так как у них нет признаков D1, D2, D3, D4, D5, которые возможно есть у других объектов.

• От выбора одного из двух вариантов зависит какой коэффициент использовать в анализе.

Меры различия не учитывающие двойные нули. Эти коэффициенты не изменяются если в данные будут добавлены двойные нули (например, при увеличении количества описанных объектов).

Примеры:

• Евклидово расстояние
• расстояние по Манхеттену.

Меры различия учитывающие двойные нули. Эти коэффициенты изменяются при появлении двойных нулей. Сходство возрастает за счет того, что отсутствие признака считается тоже сходством.

Пример:

• Коэффициенты корреляции.

Свойства:

• Если \(a = b\), то \(D(a, b) = 0\)
• Симметричность \(D(a, b) = D(b, a)\)
• Справедливо неравенство треугольника \(D(a,b) + D(b,c) \geq D(a,c)\)

Важно: метрики неадекватно оценивают степень различия при большом количестве нулей.Очень чувствительны к выбросам.

• Корреляция Браве-Пирсона: \[ R = \frac {cov(X, Y)}{\sqrt{\sigma_x^2\sigma_y^2}} \]

Коэффициент Браве-Пирсона варьирует от -1 до 1.

Обычно используется в R анализе

• Коэффициент Брея-Куртиса (Bray-Curtis dissimilarity): \[D = \frac{\sum \mid x_{i,j} - x_{i,k} \mid} {\sum x_{i,j} + \sum x_{i,k}}\]

Это самый распространенный коэффициент в экологии.

В основе лежит четырехпольная таблица

\[\begin{vmatrix} \, & + & - \\ + & a & b \\ - & c & d \end{vmatrix}\]

• a - сходство объектов по наличию признака
• b - различие
• c - различие
• d - сходство по отсутствию признака

• Доля несовпадений:

\[D = \frac{b+c}{a+b+c}\]

• Коэффициент Жаккара:

\[S = \frac{a}{a+b+c}\]

• Коэффициент Сёренсена:

\[S = \frac{2a}{2a + b + c}\]

NB! Коэффициент Сёренсена - это коэффициент Брея-Куртиса, вычисленный для значений, оцененных как 1 или 0.

• \(\phi\)-корреляция Пирсона

\[\phi = \frac{ad-bc}{(a+b)(c+d)(a+c)(b+d)}\]

Используется в R-анализе

Обобщенный коэффициент, который применяется для случаев, когда одни признаки объекта описаны, как количественные величины, а другие - как бинарные данные (или даже качественные данные).

\[ D = \frac{1}{p} \frac{\sum W_i\dfrac{\mid x_{i,j} - x_{i,k} \mid}{\max x_{i,j} - \min x_{i,k}}}{\sum W_i}\]

\(W_i=0\) Если отсутствует информация o \(x_{i,j}\) и/или \(x_{i,k}\) отсутствует

\(W_i=1\) Если присутствует информация как о \(x_{i,j}\) так и о \(x_{i,k}\)

1. От природы материала (признаки могут иметь количественную, бинарную и качественную оценку).
2. От характера тестируемой гипотезы (какой аспект природы сходства-различия хочет выразить автор).
3. В экологии: от того, насколько мы хотим учитывать вклад редких и малочисленных видов.
4. От взглядов исследователя на природу сходства/различия между объектами.
5. От типа анализа (R или Q)

По аналогии с одномерными линейными моделями

• Объекты – Измерения
  
• Свойства объектов – Зависимая переменная
• Внешние факторы – Предикторы

Ординация (лат. ordinatio — расположение в порядке) — это упорядочивание объектов вдоль некоторых осей, определяющих варьирование свойств этих объектов.

Если у объектов всего два свойства, то ординация имеет вид облака точек в двух осях.

Аналогия ординации с одномерными методами – просто числовой ряд.

Если признаков становится больше двух, то визуализация взаиморасположения объектов в n-мерном пространстве признаков становится невозможной. Для этого применяют разные способы получения “образа” n-мерного облака:

Старинные методы:

• Висконсинская полярная ординация (Bray and Curtis, 1957)

Современные методы:

• Метрическое многомерное шкалирование (MDS)
• Неметричекое многомерное шкалирование (nMDS)
• Метод главных компонент (PCA)
• Корреспондентный анализ (CA)

Это простейший прием ординации в сокращенном пространстве

Шаг 1. Подготовка данных для анализа.

Логарифмирование мы провели ранее

row.names(abund_rel) <- abund$Station

Шаг 2. Вычисление матрицы сходства/различия между объектами.
Из дидактических соображений возьмем матрицу Евклидовых расстояний.

library(vegan)
E_dist <- vegdist(abund_log, method = "euclidean")

Шаг 3. Найдем наиболее различающиеся объекты (максимальное Евклидово расстояние между ними).

##         i Object_j Object_k Distance
## 1991 1991       44       57     36.6

Эти два объекта и задают ось, вдоль которой будет производиться ординация.

Шаг 4. Координаты каждого из объектов на этой оси могут быть найдены, согласно правилам треугольника

Возьмем любую другую точку, например “S2”

Шаг 5. Вычисляем координаты на полярной оси для каждого объекта.

Шаг 6. При необходимости, находим следующую пару наиболее несходных объектов и вычисляем координаты для каждой точки на новой оси.

At! Одновременное изображение информации об обеих полярных осях на одной диаграмме невозможно!
Мы не знаем как взаимосвязаны эти оси. Они могут быть неортогональны.

Сама по себе ординация - это лишь визуализация структуры многомерных данных.

Исследователю важно объяснить, с какими внешними факторами связана наблюдаемая ординация.

С помощью Висконсинской полярной ординации мы получили градиент точек на полярной оси.

Этот градиент связан с внешним фактором - температурой.

Методы интерпретации многомерных данных делят на две большие группы (ter Braak, 1987; Legendre & Legendre, 2014):

• Непрямая интерпретация (indirect gradient analysis, indirect comparison)

• Прямая интерпретация (direct gradient analysis, direct comparison)

Вычислите значения координат полярной ординации, основанной на относительных обилиях видов (abund_rel) и постройте точечную диаграмму, отражающую связь этой ординации с глубиной, температурой? соленостью и обводненностью грунта.

• Существует два подхода к анализу многомерных данных:
• подход, основанный на линейной алгебре,
• подход, основанный на исследовании матриц сходства/различия между объектами.
• Выбор коэффициентов сходств/различия - непростая задача, решение которой зависит от структуры материала и поставленных задач. Разные коэффициенты потенциально могут давать разные результаты.
• Получить важную информацию о взаиморасположении объектов можно с помощью некоторых простейших методов.

• Legendre P., Legendre L. (1998) Numerical ecology. Second english edition. Elsevier, Amsterdam. (Фундаментальный труд, описывающий большинство методов. Дается исчерпывающее обсуждение разнообразных коэффициентов сходства/различия)
• Zuur, A. F., Ieno, E. N., Smith, G. M. Analysing Ecological Data. Springer 2007 (Практически все то же самое, что в L&L, но написанное простым языком)
• Clarke, K. R., Gorley R. N. (2006) PRIMER v6: User Manual/Tutorial. PRIMER-E, Plymouth. (Очень доходчиво написанное руководство, дающее общее представление о “механике” работы многомерных методов)
• Миркин Б.М., Розенберг Г.С. Фитоценология. Принципы и методы. М., 1978. (Руководство написано в докомпьютерную эпоху, но простейшие методы изложены очень хорошо)
• Василевич В.И. Статистические методы в геоботанике. - Л.: Наука, 1969.
• Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977