Informatie

Wat betekent het als er geen correlatie is tussen fylogenetisch onafhankelijk contrast?


Ik test de correlatie tussen twee fysiologische parameters in planten met behulp van de pic-functie in R. Ik zit een beetje vast bij de interpretatie van het fylogenetisch onafhankelijk contrast (PIC). Zonder rekening te houden met de PIC, kreeg ik een significante correlatie, maar er is geen correlatie tussen de PIC. Wat betekent de afwezigheid van correlatie tussen de PIC:

  • de correlatie zonder PIC is het effect van fylogenie

OF,

  • Er is geen fylogenetisch effect op de correlatie.

Bedankt


Uw eerste optie is de juiste interpretatie. De correlatie die je in de onbewerkte gegevens ziet, is het effect van fylogenie.

Zonder PIC's te gebruiken, zou je fylogenetische autocorrelatie verwachten, d.w.z. dat je onbewerkte gegevens correleren als een functie van de hoeveelheid gedeelde evolutionaire geschiedenis tussen verschillende soorten. Het gebruik van PIC's is een manier om te testen of de correlatie nog steeds bestaat wanneer het effect van fylogenetische autocorrelatie wordt verwijderd. Dit is precies wat je waarneemt - je ziet de correlatie in onbewerkte gegevens (die niet fylogenetisch onafhankelijk zijn), maar het verdwijnt wanneer je PIC's gebruikt. Zonder enige details van je studie te kennen die verder gaan dan wat er in de vraag staat, klinkt het als een schoolvoorbeeld van fylogenetische autocorrelatie.

De PIC-methode vindt zijn oorsprong bij Felsenstein (1985). Ik zou aanraden om dat document te raadplegen voor meer informatie over de methode en interpretatie van de resultaten.


Correlatie (Pearson, Kendall, Spearman)

Correlatie is een bivariate analyse die de sterkte van de associatie tussen twee variabelen en de richting van de relatie meet. In termen van de sterkte van de relatie varieert de waarde van de correlatiecoëfficiënt tussen +1 en -1. Een waarde van ± 1 geeft een perfecte mate van associatie tussen de twee variabelen aan. Naarmate de waarde van de correlatiecoëfficiënt naar 0 gaat, wordt de relatie tussen de twee variabelen zwakker. De richting van het verband wordt aangegeven door het teken van de coëfficiënt. a + teken geeft een positief verband aan en een - teken geeft een negatief verband aan. Gewoonlijk meten we in statistieken vier soorten correlaties: Pearson-correlatie, Kendall-rangcorrelatie, Spearman-correlatie en de Point-Biserial-correlatie. Met onderstaande software kunt u heel eenvoudig een correlatie uitvoeren.

Laat je proefschrift goedkeuren
We werken elke dag met afgestudeerde studenten en weten wat er nodig is om je onderzoek goedgekeurd te krijgen.

  • Adres commissie feedback
  • Stappenplan naar voltooiing
  • Begrijp uw behoeften en tijdschema

Kwantitatieve resultaten in één uur

Pearson r-correlatie: Pearson R correlatie is de meest gebruikte correlatiestatistiek om de mate van verband tussen lineair gerelateerde variabelen te meten. Als we bijvoorbeeld op de aandelenmarkt willen meten hoe twee aandelen aan elkaar gerelateerd zijn, Pearson R correlatie wordt gebruikt om de mate van relatie tussen de twee te meten. De punt-biseriële correlatie wordt uitgevoerd met de Pearson-correlatieformule, behalve dat een van de variabelen dichotoom is. De volgende formule wordt gebruikt om de Pearson . te berekenen R correlatie:

Rxy = Pearson r correlatiecoëfficiënt tussen x en y
N = aantal waarnemingen
xl = waarde van x (voor de waarneming)
jal = waarde van y (voor deze waarneming)

Soorten onderzoeksvragen die een Pearson-correlatie kan onderzoeken:

Is er een statistisch significant verband tussen leeftijd, gemeten in jaren, en lengte, gemeten in inches?

Is er een verband tussen temperatuur, gemeten in graden Fahrenheit, en ijsverkoop, gemeten naar inkomen?

Is er een verband tussen werktevredenheid, zoals gemeten door de JSS, en inkomen, gemeten in dollars?

Voor de Pearson R correlatie, moeten beide variabelen normaal verdeeld zijn (normaal verdeelde variabelen hebben een klokvormige curve). Andere aannames zijn lineariteit en homoscedasticiteit. Lineariteit veronderstelt een rechte lijnrelatie tussen elk van de twee variabelen en homoscedasticiteit veronderstelt dat de gegevens gelijkelijk zijn verdeeld over de regressielijn.

Een Pearson-correlatie uitvoeren en interpreteren

Nc = aantal concordant
Nd = aantal dissonanten

Een Kendall-correlatie uitvoeren en interpreteren

concordant: Op dezelfde manier besteld.

tegenstrijdig: Anders besteld.

Spearman rang correlatie: Spearman-rangcorrelatie is een niet-parametrische test die wordt gebruikt om de mate van associatie tussen twee variabelen te meten. De Spearman-rangcorrelatietest bevat geen aannames over de distributie van de gegevens en is de juiste correlatieanalyse wanneer de variabelen worden gemeten op een schaal die ten minste ordinaal is.

De volgende formule wordt gebruikt om de Spearman-rangcorrelatie te berekenen:

ρ= Spearman-rangcorrelatie
di= het verschil tussen de rangen van corresponderende variabelen
n= aantal waarnemingen

Soorten onderzoeksvragen die een Spearman Correlatie kan onderzoeken:

Is er een statistisch significant verband tussen het opleidingsniveau van de deelnemers (middelbare school, bachelor of graduaat) en hun startsalaris?

Is er een statistisch significant verband tussen de eindpositie van het paard, een race en de leeftijd van het paard?

Veronderstellingen

De aannames van de Spearman-correlatie zijn dat gegevens ten minste ordinaal moeten zijn en dat de scores op de ene variabele monotoon gerelateerd moeten zijn aan de andere variabele.

Een Spearman-correlatie uitvoeren en interpreteren

Effectgrootte: De standaard van Cohen kan worden gebruikt om de correlatiecoëfficiënt te evalueren om de sterkte van de relatie of de effectgrootte te bepalen. Correlatiecoëfficiënten tussen 0,10 en 0,29 vertegenwoordigen een kleine associatie, coëfficiënten tussen 0,30 en 0,49 vertegenwoordigen een gemiddelde associatie en coëfficiënten van 0,50 en hoger vertegenwoordigen een grote associatie of relatie.

Ordinale gegevens: In een ordinale schaal zijn de niveaus van een variabele zo geordend dat het ene niveau als hoger/lager kan worden beschouwd dan het andere. De grootte van het verschil tussen de niveaus is echter niet noodzakelijkerwijs bekend. Een voorbeeld is de rangorde van onderwijsniveaus. Een graduaat is hoger dan een bachelordiploma en een bachelordiploma is hoger dan een middelbare schooldiploma. We kunnen echter niet kwantificeren hoeveel hoger een graduaat is in vergelijking met een bachelordiploma. We kunnen ook niet zeggen dat het verschil in opleiding tussen een graduaat en een bachelor hetzelfde is als het verschil tussen een bachelor en een middelbare school diploma.

Correlatiebronnen:

Algina, J., & Keselman, H.J. (1999). Vergelijking van gekwadrateerde meervoudige correlatiecoëfficiënten: onderzoek van een betrouwbaarheidsinterval en een test significantie. Psychologische methoden, 4(1), 76-83.

Bobko, P. (2001). Correlatie en regressie: toepassingen voor industriële organisatiepsychologie en management (2e ed.). Thousand Oaks, CA: Sage-publicaties. Weergave

Bonett, DG (2008). Meta-analytische intervalschatting voor bivariate correlaties. Psychologische methoden, 13(3), 173-181.

Chen, P.Y., &. Popovich, P.M. (2002). Correlatie: parametrische en niet-parametrische metingen. Thousand Oaks, CA: Sage-publicaties. Weergave

Cheung, MW-L., & Chan, W. (2004). Testen van afhankelijke correlatiecoëfficiënten via structurele vergelijkingsmodellering. Organisatorische onderzoeksmethoden, 7(2), 206-223.

Coffman, D.L., Maydeu-Olivares, A., Arnau, J. (2008). Schatting van het vrije interval van asymptotische distributie: voor een correlatiecoëfficiënt binnen de klasse met toepassingen op longitudinale gegevens. Methodologie, 4(1), 4-9.

Cohen, J., Cohen, P., West, S.G., & Aiken, L.S. (2003). Toegepaste meervoudige regressie/correlatieanalyse voor de gedragswetenschappen. (3e ed.). Mahwah, NJ: Lawrence Erlbaum Associates. Weergave

Hatch, J.P., Hearne, E.M., & Clark, G.M. (1982). Een testmethode voor seriële correlatie in univariate herhaalde-metingen variantieanalyse. Gedragsonderzoeksmethoden en instrumentatie, 14(5), 497-498.

Kendall, M.G., & Gibbons, J.D. (1990). Rangcorrelatiemethoden (5e ed.). Londen: Edward Arnold. Weergave

Krijnen, WP (2004). Positieve ladingen en factorcorrelaties van positieve covariantiematrices. Psychometrika, 69 jaar(4), 655-660.

Shieh, G. (2006). Exacte intervalschatting, vermogensberekening en bepaling van de steekproefomvang in normale correlatieanalyse. Psychometrika, 71(3), 529-540.

Stauffer, J.M., & Mendoza, J.L. (2001). De juiste volgorde voor het corrigeren van correlatiecoëfficiënten voor bereikbeperking en onbetrouwbaarheid. Psychometrika, 66(1), 63-68.


Gelokaliseerde Single-Voxel magnetische resonantiespectroscopie, wateronderdrukking en nieuwe benaderingen voor ultrakorte echo-tijdmetingen

Hongxia Lei, . Vladimír Mlynárik, in magnetische resonantiespectroscopie, 2014

Slice-selectief 90° Peulvruchten

Slice-selectieve RF-excitatiepulsen moeten gelijktijdig worden afgespeeld met een overeenkomstige slice-selectiegradiënt. Voor gelokaliseerde 1 H MRS moeten excitatiepulsen een uniforme flip-hoek produceren (bijv. 90 °) binnen het gewenste segment. Een bandselectieve RF-puls wordt bereid door de pulsomhullende te vermenigvuldigen met een draaggolfsignaal. De drager is een sinusvormige golfvorm die oscilleert op precies de gewenste frequentie (bijvoorbeeld de protonresonantiefrequentie bij een specifieke magnetische veldsterkte).

Fig. 1.2.2 illustreert drie excitatiepulsen: gauss, sinc en asymmetrisch (Tkáč et al., 1999). Merk op dat zowel sinc als asymmetrische pulsen betere slice-profielen geven dan de gauss-puls wanneer alle pulsamplitudes worden aangepast tot een omslaghoek van 90° bij resonantie (tabel 1.2.1). Elke puls vereist zijn eigen piekamplitude (γB1/2π in Hz) om de gewenste kantelhoek te produceren.

Tabel 1.2.1 . Vergelijking van drie 90 ° RF-pulsen

RF-puls (2 ms)90° kantelhoekamplitude (γB1/2π, Hz)Bandbreedte (kHz)% van pulslengte tot TE
Gauss3001.2550
Sinc7003.050
Asymmetrisch8303.020–30

Hier vereisen zowel de asymmetrische als de sinc-puls (vijflobbig) een hoger vermogen, maar bieden een bredere bandbreedte en een uniformer excitatieprofiel dan de gauss-puls. Het laat ook duidelijk zien dat de piek RF-amplitude (B1(t)) van de asymmetrische puls ligt in het laatste kwart van de gehele pulslengte (Fig. 1.2.1c en Tabel 1.2.1). Bijgevolg draagt ​​slechts een klein deel van de totale pulslengte bij aan de echotijd (TE), en is daarom korter (zie de sectie Basislokalisatie 1 H MRS-methoden).

In tegenstelling tot de sinc-puls, vertoont het plakprofiel van de asymmetrische puls consequent positieve zijbanden langs de excitatierichting. Een signaal buiten de excitatieband wordt dus niet gedeeltelijk opgeheven en OVS wordt aanbevolen om contaminatie te elimineren (zie de sectie Factoren die de spectrale kwaliteit beïnvloeden).


Staafdiagrammen

Zoals we in dit boek hebben gezien, staafdiagrammen worden over het algemeen gebruikt om de gemiddelde scores voor twee of meer groepen of aandoeningen te presenteren en te vergelijken. Het staafdiagram in figuur 12.11 is een APA-achtige versie van figuur 12.4. Merk op dat het voldoet aan alle vermelde richtlijnen. Een nieuw element in figuur 12.11 zijn de kleinere verticale staven die zich zowel naar boven als naar beneden uitstrekken vanaf de bovenkant van elke hoofdbalk. Dit zijn foutbalken , en ze vertegenwoordigen de variabiliteit in elke groep of aandoening. Hoewel ze soms één standaarddeviatie in elke richting uitbreiden, is de kans groter dat ze één standaarddeviatie in elke richting uitbreiden (zoals in figuur 12.11). De standaardfout is de standaarddeviatie van de groep gedeeld door de vierkantswortel van de steekproefomvang van de groep. De standaardfout wordt gebruikt omdat in het algemeen een verschil tussen groepsgemiddelden dat groter is dan twee standaardfouten statistisch significant is. Zo kan men aan de hand van een staafdiagram met foutbalken “zien” of een verschil statistisch significant is.

Afbeelding 12.11 Voorbeeld staafdiagram in APA-stijl, met foutbalken die de standaardfouten weergeven, gebaseerd op onderzoek door Ollendick en collega's [Lange beschrijving]


Deze auteurs droegen gelijkelijk bij: Alex D. Washburne en James T. Morton.

Voorkeuren

Afdeling Microbiologie en Immunologie, Montana State University, Bozeman, MT, VS

Afdeling Computerwetenschappen, Universiteit van Californië, San Diego, La Jolla, CA, VS

James T. Morton & Rob Knight

Afdeling Kindergeneeskunde, Universiteit van Californië, San Diego, La Jolla, CA, VS

James T. Morton, Jon Sanders, Daniel McDonald, Qiyun Zhu & Rob Knight

Afdeling Ecologie en Evolutionaire Biologie, Universiteit van Colorado, Boulder, CO, VS

Coöperatief Instituut voor Onderzoek in Milieuwetenschappen, Universiteit van Colorado, Boulder, CO, VS

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

U kunt deze auteur ook zoeken in PubMed Google Scholar

Corresponderende auteur


Discussie

Hier hebben we een breed scala aan ecosystemen bestudeerd om patronen van de samenstelling van microbiële gemeenschappen en de processen die aan deze patronen ten grondslag liggen te beoordelen. Om dit te doen, hebben we patronen van ruimtelijke omzet in de fylogenetische samenstelling van microbiële gemeenschappen gekarakteriseerd en processen afgeleid door fylogenetische omzet te vergelijken met de verwachtingen van het nulmodel. Deze patroon-naar-proces-koppeling vereist een fylogenetisch signaal in microbiële habitatassociaties. In vergelijking met eerdere microbiële onderzoeken hebben we een meer statistisch robuuste methode gebruikt om het fylogenetische signaal te testen. We hebben deze bijgewerkte methode gebruikt om de breedste evaluatie van het fylogenetische signaal in microben tot nu toe te bieden, en om een ​​significant fylogenetisch signaal te vinden in alle geëvalueerde habitats. Verder hebben we een nieuwe statistische benadering gebruikt om te testen op deterministische processen die worden beheerst door: ongemeten omgevingsvariabelen. Het vermogen om deterministische invloeden te detecteren door: ongemeten omgevingsvariabelen bleken van cruciaal belang voor het begrijpen van de relatieve balans tussen deterministische en stochastische processen.

Fylogenetisch signaal varieert met fylogenetische afstand

Het afleiden van ecologische processen met behulp van fylogenetische informatie vereist een fylogenetisch signaal (Losos, 2008) in ecologische niches (Cavender-Bares et al., 2009). Recente studies over zoet water Actinobacteriën (Newton et al., 2007), marien bacterioplankton (Andersson et al., 2010) en ondergrondse bacteriën (Stegen et al., 2012) hebben aangetoond dat er een positieve relatie is tussen fylogenetische afstanden en ecologische verschillen tussen naaste verwanten. Onze Mantel-correlogramanalyses ondersteunen deze bevinding: significant fylogenetisch signaal werd consistent gedetecteerd in alle bestudeerde habitattypen, maar alleen over korte fylogenetische afstanden. Dit wordt ook ondersteund door regressie van habitatverschillen tegen fylogenetische afstanden tussen paren OTU's (dezelfde procedures in Stegen et al., 2012), die ook een duidelijk positief verband lieten zien over de korte fylogenetische afstanden voor alle steekproefgroepen (aanvullende figuur S5). Meer kwantitatief werd een significant fylogenetisch signaal gevonden tot 10-30% van de maximaal waargenomen fylogenetische afstand. Dit komt overeen met Stegen et al. (2012) die tot 13-15% van de maximale fylogenetische afstand voor terrestrische ondergrondse bacteriën vonden. Dit algemene patroon in fylogenetische signalen geeft sterk aan dat nauw verwante bacteriële taxa ecologisch coherent zijn en dat genuitwisseling tussen soorten, zoals horizontale genoverdracht (Popa en Dagan, 2011), een dergelijke ecologische coherentie op de schaal van bacteriële metagemeenschappen niet elimineert (zie ook in Philippot et al., 2010 Wiedenbeck en Cohan, 2011 Stegen et al., 2012).

Onverwacht waren er over tussenliggende afstanden significante negatieve correlaties tussen fylogenetische en ecologische afstanden. Dit kan wijzen op convergente evolutie, dat wil zeggen dat duidelijk verwante lijnen de vergelijkbare ecologische niches verwerven, over tussenliggende fylogenetische afstanden. We zijn ons niet bewust van ander werk dat convergente evolutie laat zien tussen vrijlevende bacteriën, maar dezelfde genen gaan vaak verloren in obligate intracellulaire bacteriën van verschillende phyla, wat wijst op evolutionaire convergentie (Merhej et al., 2009). Meer in het algemeen kan evolutionaire convergentie een rol spelen in gemeenschappelijke functies voor complexe symbiontengemeenschappen over fylogenetisch uiteenlopende gastheren (Fan et al., 2012). De oorzaken en gevolgen van convergente evolutie in vrijlevende microbiële gemeenschappen zijn echter onduidelijk, maar rechtvaardigen verder onderzoek.

Samengevat duiden onze resultaten in combinatie met eerdere studies op een algemeen patroon in de fylogenetische structuur van bacteriële ecologische niches: geconserveerde niches/kenmerken over korte fylogenetische afstanden, convergerende niches/kenmerken over tussenliggende afstanden en willekeurige niches/kenmerken over grote afstanden. Aangezien functionele en fylogenetische bètadiversiteit voor bodemmicroben nauw gecorreleerd waren (Fierer et al., 2012), en er een fylogenetisch signaal is voor 93% functionele eigenschappen in micro-organismen (Martiny et al., 2012), zou het interessant zijn om gebruik andere moleculaire markers (bijvoorbeeld functionele genen) om fylogenetische signalen te testen op fijnere fylogenetische schalen binnen een hiërarchie van omgevingsfactoren (zie Martiny et al., 2009). Toch heeft deze observatie twee belangrijke implicaties. Ten eerste geeft een sterk fylogenetisch signaal over korte fylogenetische afstanden aan dat ecologische processen kunnen worden afgeleid door ruimtelijke of temporele patronen in de fylogenetische structuur van gemeenschappen te bestuderen. Ten tweede suggereert het dat ecologische gevolgtrekkingen het meest robuust zijn wanneer ze worden gemaakt met behulp van metrieken van naaste buurafstanden (bijvoorbeeld betaMNTD). Deze statistieken richten zich op een relatief korte fylogenetische afstand, zodat de fylogenetische structuur ecologisch relevante informatie bevat.

Omzetsnelheid in gemeenschapssamenstelling varieert tussen habitats

Onze resultaten toonden een veel grotere omzet in gemeenschapssamenstelling tussen habitats dan binnen habitats. Dit suggereert dat bacteriën gespecialiseerd zijn in bepaalde habitats en komt overeen met eerdere meta-analyses van bacteriën (bijvoorbeeld Lozupone en Knight, 2007 Delmont et al., 2011 Nemergut et al., 2011 Zinger et al., 2011).

Binnen habitats vertoonden ongewogen Unifrac en betaMNTD beide significante afstandsvervalpatronen in zes van de negen habitattypen (67%) die hier zijn bestudeerd. Dit komt overeen met Hanson et al. (2012), die ontdekten dat microbiële gemeenschappen significante ruimtelijke patronen vertoonden in 68% van 54 beoordeelde datasets. Bovendien was er een aanzienlijke variatie tussen habitats in de snelheid van ruimtelijke afstandsverval. Zoals verwacht was de omloopsnelheid in de samenstelling van de fylogenetische gemeenschap het hoogst voor ondiepe terrestrische ondergrondse omgevingen (LG en KS). Deze hoge omloopsnelheid in de samenstelling van de fylogenetische gemeenschap komt overeen met een eerdere waarneming van een hoge omloopsnelheid in taxonomische samenstelling in een terrestrische ondergrondse omgeving (Wang et al., 2008). Dergelijke hoge omloopsnelheden kunnen worden verklaard door een sterke verspreidingsbeperking en steile milieugradiënten in ondergrondse omgevingen (Wang et al., 2008).

In assemblages van amfibieën, vogels, zoogdieren of planten is de bèta-diversiteit doorgaans hoger in bergachtige gebieden dan in regio's met minder topografisch reliëf, vermoedelijk als gevolg van soorten die gespecialiseerd zijn op bepaalde hoogten (bijvoorbeeld McKnight et al., 2007). Onze resultaten zijn consistent met deze observatie: de omloopsnelheid was significant hoger voor de biofilm-bacteriële gemeenschappen in bergstroompjes dan voor andere habitattypen (behalve ondergrondse omgevingen). Deze hoge omloopsnelheid van bacteriën in de hoogte is ook consistent met de resultaten voor diatomeeën en macro-invertebraten in dezelfde stromen (Wang et al., 2012b). Aan de andere kant verschilt de hoge omzet over verhogingen voor bacteriën enigszins van een eerder resultaat verkregen met behulp van denaturerende gradiëntgelelektroforese langs dezelfde elevatiegradiënt, die geen significante elevatieafstand-vervalrelatie vertoonde (Wang et al., 2012b). Dit verschil kan het gevolg zijn van een verschillende resolutie van de twee methoden: een methode met een lagere resolutie kan mogelijk geen significante afstand-vervalrelatie detecteren vanwege onopgemerkt endemisme (Morlon et al., 2008 Hanson et al., 2012).

Onze steekproeven bestreken een breed scala aan horizontale ruimtelijke begrenzingen, die mogelijk de waargenomen omloopsnelheid beïnvloeden. Onder de ruimtelijke omvang van 10 km vonden we geen significant afstandsverval in KL1-, KL7- of HX-monstergroepen. Op een ruimtelijke omvang van < 100 km, zoals bijvoorbeeld in habitats van het Taihu-meer (ThS en ThW), vonden we significante verschillen in omzetsnelheden tussen habitattypen: bacteriegemeenschappen in oppervlaktesedimenten vertoonden een significant hogere omzetsnelheid dan hun overeenkomstige vrijlevende gemeenschappen (respectievelijk 1,4 en 1,0 ongewogen Unifrac per 103 km). Wanneer grotere ruimtelijke uitgestrektheden werden overwogen (> 100 km), bijvoorbeeld de meren uit berggebieden (SC), vertoonden de sedimentbacteriële gemeenschappen een significant lagere omzetsnelheid dan andere habitats, vooral binnen habitats (dat wil zeggen, ThS) (Figuur 3) .

Uit eerder werk is ook gebleken dat de relatie tussen afstand en verval voor microben schaalafhankelijk is, waarbij significante relaties alleen voorkwamen over lokale of relatief korte ruimtelijke uitgestrektheden (bijvoorbeeld King et al., 2010 Martiny et al., 2011). Echter, voor grotere ruimtelijke uitgestrektheden die vergelijkbaar zijn met die we hier beschouwden, geven eerdere rapporten aan dat de bacteriële afstand-vervalrelaties variëren van significant in sedimenten op het meeroppervlak over het Tibetaanse plateau (Xiong et al., 2012) tot niet-significant in Noord-Amerikaanse bodems (Fierer en Jackson, 2006). Deze resultaten suggereren gezamenlijk dat de snelheid van afstandsverval in bacteriën een sterke contextafhankelijkheid vertoont, mogelijk aangedreven door variatie tussen habitats in de mate van ruimtelijke autocorrelatie in de omgeving en in de mate van verspreidingsbeperking.

Samenvattend, de paarsgewijze fylobetadiversiteit nam significant toe met de ruimtelijke afstand voor de meeste steekproefgroepen en toonde duidelijk aan dat er tussen de bestudeerde habitats significante verschillen waren in de snelheid waarmee de samenstelling van de gemeenschap door de ruimte verandert. Over het algemeen waren de horizontale omzettingspercentages van bacteriële gemeenschappen uit meren of bodems, of uit lokale of regionale schalen, significant lager dan de percentages uit ondergrondse omgevingen of berggebieden. Bovendien was de omloopsnelheid van de gemeenschap in ondergrondse omgevingen het hoogst.

Deterministische processen bepalen de samenstelling van gemeenschappen in verschillende habitats

Door gebruik te maken van fylogenetische informatie en de hier voorgestelde procedure in drie stappen te volgen, hebben we de relatieve invloeden van deterministische en stochastische processen afgeleid voor een breed scala aan habitattypen. De eerste stap is om distributies van ses.betaMNTD te onderzoeken. Een distributiegemiddelde dat significant afwijkt van nul suggereert een sterke invloed van deterministische processen (Fine en Kembel, 2011 Stegen et al., 2012). In 9 van de 11 steekproefgroepen weken de ses.betaMNTD-distributies significant af van nul (aanvullende figuur S3). Bovendien vertoonden zeven groepen distributies groter dan nul (aanvullende figuur S3), wat suggereert dat er in gemeenschappen verschuivingen zijn in omgevingsomstandigheden die deterministisch veranderingen in de samenstelling van de gemeenschap veroorzaken. Twee groepen uit het Taihu-meer (ThS en ThW) hadden gemiddelde ses.betaMNTD-waarden die minder dan nul waren (aanvullende figuur S3), wat suggereert dat er voor beide groepen relatieve consistentie was in de omgevingsomstandigheden die de samenstelling van de gemeenschap deterministisch bepaalden. Hoewel veel kenmerken van de waargenomen abiotische omgeving in het Taihu-meer verschilden tussen de bemonsterde gemeenschappen, werd een hoog niveau van eutrofiëring gehandhaafd in de gemeenschappen (Duan et al., 2009). Het kan daarom zijn dat hoge eutrofiëring een sterke milieufiltering oplegde aan microbiële gemeenschappen in het Taihu-meer. Meer in het algemeen benadrukt onze observatie van ses.betaMNTD-waarden, variërend van negatief tot nul tot positief, het feit dat de invloed van deterministische ecologische processen varieert tussen systemen. . Een grote uitdaging voor toekomstig werk is om de variatie in de invloed van deterministische processen mechanisch te begrijpen.

De tweede stap in de proces-inferentieprocedure richt zich op het onthullen welk proces de primaire oorzaak is van significante, partiële Mantel-coëfficiënten die omzet in gemeenschapssamenstelling relateren aan ruimtelijke afstand. Een veel voorkomende interpretatie is dat een dergelijke relatie wordt veroorzaakt door stochastische processen. Hoewel intuïtief, kan deze interpretatie voorbarig zijn, vooral als de omzet in gemeenschapssamenstelling wordt gekwantificeerd met behulp van een waargenomen of 'ruwe' metriek. Een onbewerkte metriek zoals betaMNTD meet eenvoudig het verschil in samenstelling tussen twee gemeenschappen.

Overweeg een scenario waarin de omzet in gemeenschapssamenstelling wordt gekwantificeerd met betaMNTD en waarin er een ongemeten omgevingsvariabele die verandert tussen bemonsterde microbiële gemeenschappen. Als dit ongemeten variabele bepaalt de samenstelling van de gemeenschap, het kan een significante gedeeltelijke Mantel-coëfficiënt veroorzaken die betaMNTD relateert aan ruimtelijke afstanden. De standaard (en onjuiste) gevolgtrekking zou zijn dat de samenstelling van de gemeenschap wordt bepaald door stochastische processen.

Om een ​​robuustere gevolgtrekking te maken, gebruiken we ses.betaMNTD als omzetstatistiek. In dit geval moet de gedeeltelijke Mantel-coëfficiënt gerelateerd aan ruimtelijke afstand deterministische processen weerspiegelen die worden bepaald door ongemeten omgevingsvariabelen. De reden is tweeledig: (i) er is al rekening gehouden met de invloed van gemeten omgevingsvariabelen omdat we te maken hebben met partiële Mantel-coëfficiënten en (ii) de omvang van fylogenetische nulmodelafwijkingen (dat wil zeggen, ses.betaMNTD) mag alleen worden beïnvloed door deterministische processen zouden stochastische processen geen invloed moeten hebben (Hardy, 2008).

Wanneer ses.betaMNTD als omzetmetriek wordt gebruikt, zou een significante, gedeeltelijke Mantel-coëfficiënt gerelateerd aan ruimtelijke afstanden moeten aangeven dat stochastische processen worden overspoeld door deterministische processen die worden beheerst door ongemeten omgevingsvariabelen. Evenzo, als de partiële Mantel-coëfficiënt niet significant is, zou dit aangeven dat: ongemeten omgevingsvariabelen hebben weinig invloed op de samenstelling van de gemeenschap.

In ThS-, KS- en STR-groepen waren ruimtelijke afstanden significant gerelateerd aan ses.betaMNTD na controle voor gemeten omgevingsafstanden (tabel 2). We concluderen daarom dat er in deze habitats ongemeten, ruimtelijk gestructureerde omgevingsvariabelen die de samenstelling van de gemeenschap beïnvloeden door deterministische processen op te leggen. We leiden ook af dat deterministische processen opgelegd door ongemeten variabelen overweldigen alle invloeden van stochastische processen. Voor de andere zes groepen daarentegen, ongemeten omgevingsvariabelen hebben weinig invloed. Voor deze zes groepen kan een significante invloed van stochastische processen worden aangegeven door een significante relatie tussen ruimtelijke afstand en Unifrac of betaMNTD (na controle voor gemeten omgevingsvariabelen).

De derde stap in onze proces-inferentieprocedure evalueert de relatieve balans tussen deterministische en stochastische processen. Om te beginnen leiden we een grotere invloed van deterministische processen af ​​voor de drie groepen die worden gekenmerkt door significante invloeden van gemeten en ongemeten omgevingsvariabelen (ThS, KS en STR). Deze gevolgtrekking gaat ervan uit dat als stochastische processen meer invloed zouden hebben dan deterministische processen, ruimtelijke afstanden alleen niet gerelateerd zouden zijn aan ses.betaMNTD stochastische processen die alleen werken, zouden ertoe moeten leiden dat er geen verband is tussen ses.betaMNTD en ruimtelijke afstand.

Voor de zes steekproefgroepen waarin ses.betaMNTD niet gerelateerd was aan ruimtelijke afstanden (door partiële Mantel), gebruiken we de relatieve magnitudes van partiële Mantel-coëfficiënten uit de analyses van Unifrac en betaMNTD. De reden dat we deze geobserveerde of 'ruwe' bèta-diversiteitsstatistieken gebruiken in plaats van ses.betaMNTD is omdat ze kunnen toenemen met een grotere invloed van stochastische processen. Dat wil zeggen, verhoogde stochasticiteit zou de taxonomische omzet moeten verhogen en een verhoogde taxonomische omzet zou op zichzelf een toename van de fylogenetische omzet moeten veroorzaken. Voor vijf van de zes steekproefgroepen was de gedeeltelijke Mantel-coëfficiënt groter voor omgevingsafstand dan voor ruimtelijke afstand (aanvullende tabellen S1 en S2). We beschouwen dit als bewijs dat deterministische processen invloedrijker zijn dan stochastische processen in deze vijf groepen. De uitzondering was de HX-groep, die werd gekenmerkt door niet-significante gedeeltelijke Mantel-tests, die geen duidelijke ecologische conclusies opleveren.

Het is vermeldenswaard dat sommige conclusies die hier worden getrokken tegengesteld zijn aan die welke we zouden hebben gemaakt met behulp van 'traditionele' benaderingen zonder nulmodellen. Wanneer een hogere partiële Mantel-coëfficiënt wordt waargenomen voor ruimtelijke afstand dan voor omgevingsafstand, is de standaard gevolgtrekking dat stochastische processen een sterkere invloed hebben dan deterministische processen. Met behulp van deze benadering (bijvoorbeeld voor KS en STR), zouden gedeeltelijke Mantel-coëfficiënten op basis van betaMNTD een sterkere invloed van stochastische processen suggereren (aanvullende tabel S2).

Aangezien ses.betaMNTD significant gerelateerd is aan ruimtelijke afstand in KS en STR, impliceert dit echter dat de grotere coëfficiënt op ruimtelijke afstand feitelijk wordt bepaald door ongemeten omgevingsvariabelen die de samenstelling van de gemeenschap deterministisch bepalen. Dit keert de gevolgtrekking van de dominantie van stochastische processen om naar de dominantie van deterministische processen. We suggereren dat de hier gebruikte benadering meer geïnformeerde gevolgtrekkingen biedt dan het standaard Mantel-raamwerk. Het zou informatief zijn om de benadering toe te passen op de eerder bestudeerde microbiële en macro-organismesystemen. Dit kan leiden tot substantiële veranderingen in ons nieuwe begrip van deze systemen. We benadrukken echter dat beide benaderingen belangrijk zijn en dat het relatieve nut van beide zal afhangen van de context en de vragen die van belang zijn.


Discussie

De huidige studie was gericht op het relateren van fylogenetische alfa- en bèta-dispersie en functionele alfa- en bèta-dispersie over een reeks bospercelen om mechanismen van gemeenschapsassemblage in zes bosdynamiekplots af te leiden. In het bijzonder hebben we de fylogenetische en eigenschap-ongelijkheid van individuen binnen bos-subplots gekwantificeerd en die waarde vergeleken met de fylogenetische en eigenschap-ongelijkheid van alle individuen tussen subplots met behulp van het raamwerk gepresenteerd in Fig. 1. Dit werd gedaan met behulp van paarsgewijze statistieken van alfa- en bèta-dispersie, evenals naaste-buurstatistieken van alfa- en bèta-dispersie.

Fylogenetische en functionele alfa- en bèta-dispersie: paarsgewijze statistieken

De paarsgewijze waarden waren sterk gecorreleerd met een hoge fylogenetische omzet tussen subplots die gerelateerd waren aan een hoge dispersie binnen subplots en een lage fylogenetische omzet en een lage spreiding binnen de plot. This axis could be envisioned in terms of a stress gradient assembly mechanism where low local dispersion and low turnover occurs in relatively harsh and spatially contiguous habitats, and high dispersion and high turnover occurs in more benign and potentially patchy habitats (Helmus and Ives 2012). The relative proportion of subplots falling on either end of this spectrum was generally equivalent. The exception to this was the BCI forest plot, where more subplots were phylogenetically overdispersed with high phylogenetic dissimilarity between a subplot and its neighboring subplots. We should note that the BCI results may, in some cases, seem divergent from those previously reported from this forest (e.g., Kress et al. 2009), but we remind the reader that the present manuscript weighted all analyses by abundance, whereas previous work used presence–absence weighting. This could be taken as evidence that negative biotic interactions and among-subplot habitat heterogeneity are important for understanding the phylogenetic diversity at the scales studied in the BCI forest plot. We do caution that the present work did not directly measure abiotic filtering using environmental data. This is a weakness of the approach and could not be strengthened due to a lack of consistent and meaningful environmental data sets from all plots studied. Ideally, the inferences made here and in the rest of the discussion will be more strongly substantiated in the future when consistent and informative environmental data are available for these forests and others.

The pairwise trait metrics were similarly correlated with many traits being underdispersed locally in most plots indicating nonrandom processes structuring local communities in these forests. This result is similar to previous work in tropical forests that found strongly deterministic trait dispersion (Swenson and Enquist 2007, Kraft et al. 2008, Swenson and Enquist 2009). For example, maximum height, specific leaf area, and wood density were often clustered in local communities suggesting that abiotic filtering may increase the similarity of traits in these communities. The beta dispersion results showed a large number of subplots having little functional differentiation from one subplot to the next. For example, for the majority of traits, except seed mass, the BCI forest subplots had lower than expected trait turnover between subplots, suggesting that, although species turnover from subplot to subplot occurs, there is relatively little functional turnover. Such a pattern could result from functionally deterministic community assembly with dispersal limitation. This would be particularly expected given the relatively homogeneous topography in the BCI forest plot. A similar pattern was also uncovered in the Wabikon Lake forest plot in Wisconsin, USA, where most traits, except leaf area, had lower than expected trait turnover among subplots. Thus, the BCI result cannot be explained as a tropical phenomenon. That said, it is important to recognize that these are null modeling results and that the raw turnover may be quite high in the tropics, but not higher than that expected given the observed elevated patterns of species beta diversity and the trait pool (see Kraft et al. 2011).

It is important to note that the phylogenetic results showed local overdispersion and higher than expected phylogenetic turnover, while the majority of the trait results were the opposite. This was particularly true for the BCI forest plot and to a lesser extent the temperate plots. This suggests that there is likely substantial trait convergence between the species in the BCI forest plot community in particular, which is substantiated by the phylogenetic signal analyses we performed (Table 2). Biologically, this suggests that there is strong abiotic filtering of traits within and across subplots of this spatial scale in the BCI forest, but there is a substantial turnover of lineages from subplot to subplot that generally are functional replacements of one another. Thus, for the BCI forest, there is trait convergence, dispersal limitation of lineages, and deterministic abiotic filtering of most traits. In the other plots, there also appears to be similar trait convergence, some dispersal limitation of lineages and again a deterministic abiotic filtering of most traits. As previously noted, this study did not analyze any defense traits of the species in these plots. Previous work has shown there to be varying degrees of phylogenetic signal in plant defense (e.g., Becerra 1997, 2007, Gilbert and Webb 2007, Kursar et al. 2009, Lamarre et al. 2012), and the strength of the signal may depend on the phylogenetic breadth of the taxa being studied thus, it is not entirely clear whether results from defense trait analyses would mirror our phylogenetic results.

Aside from the biological implications of the mismatch between phylogenetic and trait results is the practical implication that measures of phylogenetic alpha and beta diversity or dispersion are not always strong predictors of functional patterns. In other words, studies of phylogenetic alpha and beta diversity alone may be poor predictors of the actual functional alpha and beta diversity (Swenson 2011een, Swenson et al. 2012). Thus, as many others have stressed, phylogenetic relatedness is not always a good predictor of species similarity, and assembly studies that only use phylogenetic information may be misleading.

Phylogenetic and functional alpha and beta dispersion: nearest-neighbor metrics

The nearest-neighbor alpha and beta dispersion metrics were generally uncorrelated with one another using both phylogenetic and trait information. In all forest plots except BCI, the phylogenetic nearest-neighbor turnover was lower than that expected given the null model. This result largely contrasts with the results of the pairwise metric. This is due to large shifts in the abundance distribution from subplot to subplot, driving a large pairwise dissimilarity between subplots, but not a large nearest-neighbor turnover. In other words, species A could have 50 individuals and species B could have 4 individuals in subplot 1, while in subplot 2, the each have 2 and 75 individuals, respectively. Such a pattern would result in large pairwise dissimilarity, but no nearest-neighbor dissimilarity. The phylogenetic nearest-neighbor alpha dispersion results ranged from strongly overdispersed to strongly clustered depending on the forest plot, and there was no relationship with latitude. Thus, the one general finding was that nearest-neighbor turnover was typically lower than expected from subplot to subplot in all forests except BCI.

The nearest-neighbor alpha dispersion for most traits was lower than expected for many traits, while maximum height, leaf area, seed mass, and wood density were occasionally more diverse than expected in many of the plots (Fig. 5). This indicates abiotic filtering of some traits in some forests, and a role for biotic interactions with respect to other traits. In other words, there were no clearly defined patterns that emerged from the nearest-neighbor analyses of trait alpha dispersion. The beta trait dispersion was also inconsistent across traits and plots, making general inferences difficult. It appears that most nearest-neighbor trait dispersion results largely hovered around zero, or randomness. Thus, while local trait dispersion was constrained within a subplot, patterns of nearest-neighbor similarity between subplots cannot be easily explained and random turnover cannot be rejected.


Chloroplasts are cytoplasmic organelles and the sites of photosynthesis in eukaryotic cells. Advances in structural biology and comparative genomics allow us to identify individual components of the photosynthetic apparatus precisely with respect to the subcellular location of their genes. Here we present outline maps of four energy-transducing thylakoid membranes. The maps for land plants and red and green algae distinguish protein subunits encoded in the nucleus from those encoded in the chloroplast. We find no defining structural feature that is common to all chloroplast gene products. Instead, conserved patterns of gene location are consistent with photosynthetic redox chemistry exerting gene regulatory control over its own rate-limiting steps. Chloroplast DNA carries genes whose expression is placed under this control.

We gebruiken cookies om onze service te bieden en te verbeteren en om inhoud en advertenties aan te passen. Door verder te gaan ga je akkoord met de gebruik van cookies .


Example & Setup in SPSS Statistics

The Director of Research of a small university wants to assess whether the experience of an academic and the time they have available to carry out research influences the number of publications they produce. Therefore, a random sample of 21 academics from the university are asked to take part in the research: 10 are experienced academics and 11 are recent academics. The number of hours they spent on research in the last 12 months and the number of peer-reviewed publications they generated are recorded.

To set up this study design in SPSS Statistics, we created three variables: (1) no_of_publications , which is the number of publications the academic published in peer-reviewed journals in the last 12 months (2) experience_of_academic , which reflects whether the academic is experienced (i.e., has worked in academia for 10 years or more, and is therefore classified as an "Experienced academic") or has recently become an academic (i.e., has worked in academic for less than 3 years, but at least one year, and is therefore classified as a "Recent academic") and (3) no_of_weekly_hours , which is number of hours an academic has available each week to work on research.

SPSS Statistics

2 antwoorden 2

The general rule of thumb (based on stuff in Frank Harrell's book, Regression Modeling Strategies) is that if you expect to be able to detect reasonable-size effects with reasonable power, you need 10-20 observations per parameter (covariate) estimated. Harrell discusses a lot of options for "dimension reduction" (getting your number of covariates down to a more reasonable size), such as PCA, but the most important thing is that in order to have any confidence in the results dimension reduction must be done without looking at the response variable. Doing the regression again with just the significant variables, as you suggest above, is in almost every case a bad idea.

However, since you're stuck with a data set and a set of covariates you're interested in, I don't think that running the multiple regression this way is inherently wrong. I think the best thing would be to accept the results as they are, from the full model (don't forget to look at the point estimates and confidence intervals to see whether the significant effects are estimated to be "large" in some real-world sense, and whether the non-significant effects are actually estimated to be smaller than the significant effects or not).

As to whether it makes any sense to do an analysis without the predictor that your field considers important: I don't know. It depends what kind of inferences you want to make based on the model. In the narrow sense, the regression model is still well-defined ("what are the marginal effects of these predictors on this response?"), but someone in your field might quite rightly say that the analysis just doesn't make sense. It would help a little bit if you knew that the predictors you have are uncorrelated from the well-known predictor (whatever it is), or that well-known predictor is constant or nearly constant for your data: then at least you could say that something other than the well-known predictor does have an effect on the response.


Bekijk de video: Wat gebeurt er als er geen empathie is? (December 2021).