一、RDA冗余分析所属模块

RDA冗余分析在SPSSAU中属于【进阶方法】模块。

二、方法概述

RDA冗余分析适合用来同时考察一组解释变量与一组响应变量之间的整体关系，常见于生态、环境、农业等多指标场景。它不仅能看变量之间的关联方向，还能帮助判断哪些解释变量对响应变量的解释力度更强。

三、变量设置规则

1. 总体设置要求

该方法需要同时放入响应变量和解释变量，两类变量都属于必填项；如果需要在结果中区分样本名称，还可以额外设置1个标签变量。

2. 各类变量设置规则

（1）响应变量（Y）

响应变量最多可放入30个，最少需要放入1个，是必填项。通常这里放的是需要被解释、被分析的一组结果型指标。

（2）解释变量（X）

解释变量最多可放入30个，最少需要放入2个，也是必填项。这里放的是用于解释响应变量变化的一组影响因素。

（3）标签

标签最多可放入1个，为可选项。它主要用于在结果展示时标记样本名称，便于识别具体样本点。

四、参数设置及解释说明

1. RDA个数

该参数用于决定提取多少个主轴来呈现数据关系，可选范围为2个到20个，默认是3个。实际使用时，如果希望先快速查看主要结构，通常保留默认值即可；如果变量较多、希望看到更丰富的信息，可以适当增加主轴个数。

2. 置换次数

该参数用于检验结果是否显著，可选100次、200次和300次，默认是200次。一般来说，置换次数越多，结果越稳定；如果只是常规分析，200次已经比较常用。

3. 标准化

该项默认勾选。标准化的作用是让量纲不同的数据放在同一基础上进行比较，避免某些数值范围特别大的变量对结果产生过强影响。只要变量单位差异明显，通常建议保持勾选。

五、分析结果表格及其解读

RDA冗余分析完成后，SPSSAU会输出9类结果表，分别用于判断模型显著性、解释力度、主轴信息、变量关系以及样本得分情况。

1. 表1：置换检验结果表（方差分析表）

该表格的作用是检验整体RDA模型是否成立，包含df、Variance、F值、p值等核心信息。

● df：表示自由度，用来辅助说明模型和残差各自占用的信息量，本身不单独判断好坏，一般结合其他指标一起看。

● Variance：表示对应部分的方差大小，用于说明模型解释了多少变异，以及还有多少变异未被解释。模型部分方差越大，通常说明解释效果越强。

● F值：是检验模型整体解释力的重要指标，用于比较模型解释部分与残差部分的差异。一般F值越大，说明模型区分能力越强。

● p值：用于判断整体模型是否具有统计意义。判断标准通常为p值小于0.05，说明解释变量与响应变量之间的整体关系显著；若不小于0.05，则说明整体关系不够稳定。

● 置换次数：用于说明显著性检验进行了多少次随机置换。次数越充分，检验结果通常越稳。

2. 表2：方差分解结果表

该表格用于展示总方差、约束方差、非约束方差以及约束方差比例，帮助判断解释变量对响应变量总体上解释了多少信息。

● 总方差：表示全部数据所包含的总体变异，是后续判断解释比例的基础。

● 约束方差：表示由解释变量成功解释出来的那部分变异，占比越高，通常说明解释变量越有用。

● 非约束方差：表示尚未被解释变量说明的那部分变异。该数值越大，说明还有较多信息没有被当前解释变量覆盖。

● 约束方差比例：是判断模型整体解释力度的关键指标。这个比例越高，说明解释变量对响应变量的解释能力越强；若比例较低，则说明模型可解释的信息相对有限。

3. 表3：特征值和解释方差表

该表格用于展示每个RDA主轴的特征值、解释方差和累积解释方差，是判断主轴是否值得重点关注的核心结果表。

● 特征值：表示每个主轴承载的信息量，数值越大，通常说明该主轴越重要。

● 解释方差：表示单个主轴能够解释的变异比例。比例越高，说明该主轴越有代表性。

● 累积解释方差：表示前几个主轴合起来一共解释了多少变异。该指标越高，说明前几个主轴已经较好概括了数据结构。实务中通常优先关注前两个或前三个主轴的累积解释效果。

4. 表4：解释变量与RDA相关性及解释方差

该表格用于观察每个解释变量与各RDA主轴的关系，以及每个解释变量各自的解释方差。

● 解释方差：表示单个解释变量对整体结果的贡献程度。数值越高，说明这个解释变量越值得重点关注。

● RDA1、RDA2、RDA3等轴相关值：表示解释变量与对应主轴的方向和强弱关系。绝对值越大，说明与该主轴的关联越强；正值和负值则代表方向不同。

5. 表5：解释变量与响应变量相关性

该表格用于直接查看每个解释变量与各响应变量之间的相关方向和相关强度。

● 相关系数：用于判断解释变量和响应变量之间是同向还是反向，以及关系强弱。数值为正，说明同向变化；数值为负，说明反向变化；绝对值越大，关系越明显；接近0则说明关系较弱。

6. 表6：样本得分表

该表格用于展示每个样本在各RDA主轴上的位置得分，是判断样本之间差异结构的重要依据。

● 样本得分：表示样本在各主轴上的坐标位置。得分相近的样本通常特征更接近，距离较远的样本差异通常更明显。

7. 表7：Y变量得分表

该表格用于展示各响应变量在不同主轴上的得分位置，便于判断响应变量彼此之间的分布关系。

● Y变量得分：用于判断响应变量在主轴空间中的方向和距离。方向接近时，通常说明这些响应变量变化趋势较一致；方向相反时，说明趋势可能不同。

8. 表8：X变量得分表

该表格用于展示各解释变量在不同主轴上的得分位置，便于识别哪些解释变量对排序结构影响更大。

● X变量得分：用于判断解释变量在主轴空间中的方向与位置。离原点更远的变量，通常在排序图中的区分作用更明显。

9. 表9：样本缺失情况汇总

该表格用于说明最终参与分析的有效样本数量，以及被排除的无效样本情况。

● 有效样本：表示真正进入RDA分析的数据量。有效样本越充足，结果通常越稳定。

● 排除无效样本：表示因缺失或不满足分析条件而未纳入分析的样本数量。该数量过多时，需要留意样本代表性是否受影响。

● 占比：用于直观看各类样本在总样本中的比例。有效样本占比越高，通常越有利于保证分析质量。

六、分析结果图表及其解读

RDA冗余分析还会输出RDA排序图，用于把样本、解释变量和响应变量放在同一张图中进行综合判断。

这类图表最适合用来直观看整体结构：样本点彼此越接近，通常说明样本特征越相似；解释变量和响应变量方向越接近，通常说明它们关系越一致；如果某个变量在图中伸展得更远，往往说明它对结构区分的作用更明显。实际解读时，建议优先结合前两个主轴来观察总体趋势。

以上就是SPSSAU RDA冗余分析方法的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。