Manipulativn experimenty na rovni spoleenstva kde odpov je

Manipulativní experimenty na úrovni společenstva – kde odpověď je mnohorozměrná, typicky druhové složení

Separujeme efekt (korelovaných) environmentálních proměnných Variation partitioning (není typické pro manipulativní experimenty, ale v přírodě nejsme schopni kontrolovat všechno) A B A in addition to B A or B B in addition to A Častěji užíváme v observačních studiích - v experimentech se snažíme vyhnout korelovaným prediktorům, ale. . .

Vliv hnojení dusíkem na společenstva plevelů Dose of fertilizer Cover of barley Weed community Pysek P. & Leps J. (1991): Response of a weed community to nitrogen fertilizer: a multivariate analysis. J. Veget. Sci. 2: 237 -244.

Vliv hnojení dusíkem na společenstva plevelů Dose of fertilizer Cover of barley Weed community

Základní otázky: • Má hnojení vůbec nějaký efekt? (ať už přímý, nebo zúprostředkovaný – tj přes efekt pokryvnosti ječmene) • Problém korelovaných prediktorů: * Je zde přímý efekt hnojení (který nemůžeme vysvětliv pomocí vlivem pokryvnosti ječmene)? * Je zde efekt pokryvnosti ječmene – tj efekt, který nem, ůžeme vysvětlit dávkou hnojiva?

Mnohonásobná regrese: test celého modelu (AOV) & test parcialních efektů [plus možný test marginalních effektů] – v Canoco 5 simple a conditional effect

Note: in this Figure, Case. R scores are used instead of Case. E

Variation partitioning Dose Cover Dose in Cover in addition or addition to Cover Dose A

adjusted

Variation partitioning n. b. • In lineárních metodách, trace (all the eigenvalues together) = 1, takže eigenvalue přímo udává část vysvětlené variability dotyčnou osou • V unimodálních metodách, trace je vyšší než 1, takže podíl variability zjistíme jako podíl dotyčného eigenvalue a trace.

Variation partitioning - n. b. • Varation může být rozděleno i mezi více než 2 proměnné (nicméně, pro více než 3 proměnné už je to zcela nepřehledné) • Užitečnější: logické skupiny proměnných • Množství vysvětlené variability skupinou je pozitivně závislé na množství proměnných (na df) ve skupině

Spacková I. , Kotorová I. & Leps J. (1998): Sensitivity of seedling recruitment to moss, litter and dominant removal in an oligotrophic wet meadow. Folia Geobot. Phytotax. 33: 17 -30. Effect of dominant species, moss and litter on seedling germination Úplné znáhodněné bloky

Just of historical interest (the FORTRAN format etc. )

Standardization by samples – nejen technická záležitost, zcela mění interpretaci výsledků Když užijeme “standardize by sample norm” dva snímky jsou identické Grubb theory of regeneration niche: jen rozdíl v analýze se “standardize by sample norm” podpoří teorii

If there are very different eigenvalues of the two displayed axes, then the “Focus scaling on” really plays a role! Note: centroids are scaled as samples on interspecies correlation on intersample distances

Hierarchical structure each whole-plot is subdivided into 25 split-plots

Seedlings - nested design [seme 96 su. spe, seme 96 su. env]

Permutations of the whole-plots

Opakovaná pozorování a faktoriální design [fertilization, mowing, dominant removal] 3 replikace, dohromady 24 ploch

Ohrazení (http: //mapy. atlas. cz)

Molinia caerulea Nardus stricta

Species diversity and “interesting plants” (e. g. red list species) concentrated in “traditional”, i. e. mown, unfertilized Dactylorhiza majalis Senecio rivularis

14 Carex species Carex pulicaris C. hartmanii

Čas • V repeated measures – čas je faktor (ale, můžeme užít lineární a polynomiální trendy – kontrasty) • V Canoco se můžeme rozhodnout, jestli kvantitativní, nebo faktor • Když kvantitativní, znamená to, že očekáváme časový lineární (nebo alespoň rozumně monotonní) trend!

Interakce – prosté násobení dvou hodnot Note: env. Time 0 1 2 Control 0 0 Treatment 1 0 1 2 Baseline: time=0 variables (incl. interactions) 3 jsou centrovány a 0 standardizovány, ale až po 3 vypočtení interakcí) Treatment Control Time

Time as A. D. Time Control Treatment 2000 2001 2002 2003 0 0 0 1 2000 2001 2002 2003 Treatment Control Time

Time vs. Time * Treatment • Time: 0, 1, 2, 3 and 2000, 2001, 2002, 2003 – po centrování a standardizaci, obě serie jsou identické • Time * treatment interaction – když nejřív spočítám interakci a pak standardizuju, tak výsledky jsou velmi rozdílné pro čas 0, 1, 2, 3, a 2000, 2001, 2002, 2003!

Proč používáme plot. ID jako kovariátu? Od každé hodnoty odečteme průměr dané proměné přes celý sledovaný čas, a tím získáme vlastně jen časový trend. Orig. data Plot time 1 time 2 After „subtraction“ of the effect of covariate time 3 time 4 mean time 1 time 2 time 3 time 4 1 5 3 2 2 3 2 0 -1 -1 2 17 12 10 8 11. 75 5. 25 0. 25 -1. 75 -3. 75 3 22 26 20 15 20. 75 1. 25 5. 25 -0. 75 -5. 75 4 6 4 0 0 2. 5 3. 5 1. 5 -2. 5

Principal response curves triangles - mown circles unmown full symbol - fertil. open symbol - unfert solid line - control broken l. - removal

Further use of ordination scores Do we need PIC here?