引入多因素分析 (MFA) 作为一种诊断分类工具,以补充主要成分分析 (PCA)

科学领域:

• 分类学和系统学.
• 定量生物学 定量生物学
• 类学 类学 类学 类学

背景情况:

• 传统的分类学诊断往往省略或事地对待因变异性的分类字符.
• 主要组件分析 (PCA) 对于单个数值数据类型是有效的,但在分析多个类型时可能会有偏差.
• 操作分类学单位 (OTU) 需要强大的统计方法来评估差异化.

研究的目的:

• 引入多因素分析 (MFA) 作为对分类学的一种卓越的诊断工具.
• 将MFA与主要成分分析 (PCA) 进行比较和对比.
• 强调整合各种字符类型的实用性,以获得总证据的形态输出.

主要方法:

• 多因素分析 (MFA) 用于整合数值 (美丽学,形态学) 和分类字符.
• 主要组件分析 (PCA) 用于分析单个数值数据类型.
• 分析变异的非参数变换 (PERMANOVA) 用于对OTU位置的统计学意义测试.

主要成果:

• 通过整合不同的字符类型,MFA使全面的,总证据的形态分析成为可能.
• PCA最适合单个数值数据类型;使用多个类型可能会导致结果偏差.
• 珀曼诺瓦提供了一种统计学上可辩护的方法来评估OTU差异化显著性.

结论:

• MFA是一种强大的分类学诊断工具,特别是用于整合各种形态数据.
• MFA提供了一个统计学上合理的方法来利用分类符号在分类学中.
• 像PERMANOVA这样强大的统计方法对于验证分类学分析至关重要.