-
Notifications
You must be signed in to change notification settings - Fork 0
/
Tutorial.Rmd
791 lines (549 loc) · 27.8 KB
/
Tutorial.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
---
title: 'Boas práticas em análises de séries temporais em herpetologia'
author: "Karoline Ceron, Marcos R. Severgnini e Diogo B. Provete"
date: "28/10/2020"
output:
html_document:
toc: yes
---
Vamos iniciar carregando os pacotes necessários!
Caso você não os tenha instalados, instale-os com a função *install.packages("nome do pacote")* e depois carregue-os.
```{r setup}
knitr::opts_chunk$set(warning = FALSE, message = FALSE, error=FALSE)
install.packages("AEM", repos="http://R-Forge.R-project.org")
library(GGally)
library(nlme)
library(mgcv)
library(tidyverse)
library(lmtest)
library(bbmle)
library(tseries)
library(astsa)
library(circular)
library(adespatial)
library(ade4)
library(adegraphics)
library(expsmooth)
library(vegan)
library(AEM)
```
# MODELOS DE PREVISÃO
## ARIMA
Vamos carregar a planilha *bonds* do pacote *expsmooth* que indica os rendimentos mensais de títulos do governo dos EUA. Aqui vamos considerar estes dados como sendo a abundância relativa de girinos em uma poça permanente.
```{r}
gir<-bonds
```
Agora vamos visualizar os dados e decompô-los
```{r}
plot(decompose(gir))
```
Observe o padrão sazonal cíclico apresentado na figura
Existe uma função no R para verificar o número de diferenças necessárias para transformar uma série temporal em estacionária.
```{r}
ndiffs(gir)
```
Os métodos usados para testar a estacionariedade em cada etapa são - o teste de Dickey-Fuller aumentado, o teste de raiz unitária Phillips-Perron e o teste de estacionariedade KPSS.
```{r}
adf.test(gir); pp.test(gir); kpss.test(gir)
```
Note que a hipótese alternativa do teste ADF e do PP é a estacionaridade, ao contrário do teste KPSS. A partir disso não podemos concluir que nossos dados são estacionários.
Vamos tentar diferenciar nossos dados
```{r}
tsdisplay(diff(gir))
```
A sazonalidade pode ser identificada nas séries diferenciadas - evidentes na ACF. A série residual parece ter uma variação semelhante ao longo do tempo (PACF). Contudo, a sazonalidade ainda é aparente na ACF. Portanto, precisamos removê-la dos dados
```{r}
tsdisplay(decompose(gir)$random)
```
Melhorou bastante, mas talvez ainda apresente alguns vestígios de sazonalidade.
Agora vamos encontrar um modelo adequado aos nossos dados
```{r}
arimaModel <- auto.arima(gir)
summary(arimaModel)
```
O modelo ideal para os dados é p = 0, q = 1, d = 1, e o modelo tem diferença 1 entre os valores de frequência 12. O *p=0* nos diz que não precisamos levar em conta defasagens em um determinado ponto no tempo *t*. *q=1* nos diz que a série temporal não é estacionária, portanto, precisamos ter uma diferença de primeira ordem. *d=1* nos diz que esse modelo leva em consideração o termo de erro de 1 valor anterior/atrasados.
```{r}
acf(arimaModel$residuals)
```
A ACF dos resíduos do modelo mostra que a maior parte das autocorrelações estão dentro dos limites indicando que os resíduos não apresentam autocorrelação serial.
Agora vamos fazer a previsão
```{r}
fcast <- forecast(arimaModel)
```
Criando o gráfico de previsão
```{r}
plot(fcast, ylab="Abundância de girinos", xlab="Anos")
```
Aqui está a previsão para os anos seguintes, onde a parte em azul reflete os intervalos de previsão de 80% e 95%.
Resultado do modelo
```{r}
summary(fcast)
```
## ARIMA com sazonalidade = SARIMA
Vamos iniciar criando um vetor hipotetico para riqueza de anuros em uma comunidade
```{r}
sp_vector <- c(19,19,19,27,20,9,10,9,3,1,2,1,1,11,19,19,19,27,20,20,6,5,2,1,2,9,9,11,19,19,9,8,8,5,1,3,8,9,10,9,12,11,7,5,5,4,2,2,7,10,8,10,19,20,7,5)
```
Indicando que a série temporal inicia em Setembro (9) de 2014 e tem frequência de 12 meses
```{r}
sp_ts <- ts(sp_vector,start=c(2014,9),frequency=12)
sp_ts
```
Verificando se apresenta padrão sazonal
```{r}
tsdisplay(decompose(sp_ts)$random)
```
O gráfico mostrou um claro efeito sazonal
Agora vamos ver qual modelo mais se adequa aos nossos dados. Veja que o modelo é o mesmo ARIMA mas adicionamos o parâmetro *d*, que indica sazonalidade
```{r}
sarimaModel <- auto.arima(sp_ts, d = 1)
summary(sarimaModel)
```
O modelo ideal para os dados é p = 1, q = 0, d = 0, e o modelo tem diferença 1 entre os valores de frequência 12.
```{r}
acf(sarimaModel$residuals)
```
A ACF dos resíduos do modelo mostra que a maior parte das autocorrelações estão dentro dos limites. Assim, o modelo ainda pode ser utilizado para a previsão, mas os intervalos preditos podem não ser muito acurados
Fazendo a previsão do modelo e plotando
```{r}
sarima<-forecast(sarimaModel, h=25)
plot(sarima, ylab="Riqueza de anuros", xlab="Anos")
```
Aqui está a previsão para os anos seguintes, onde a parte em azul reflete os intervalos de previsão de 80% e 95%.
# ANÁLISES UNIVARIADAS
Vamos imaginar que temos dados de composição de uma comunidade de anuros e também dados abióticos, temperatura, precipitação e umidade, coletados mensalmente durante um ano. A partir disso queremos investigar se a composição da comunidade de anuros (riqueza e abundância) é influenciada pelas variáveis abióticas locais.
Vamos começar!
Importando os dados de demonstração
```{r}
dados<-read.table("data.txt", header=T) #composição de espécies de uma comunidade de anuros no Parque Estadual da Serra Furada, SC.
dados
```
Antes de realizar as análises para verificar a influência das variáveis preditoras sobre a riqueza ou abundância dos anuros precisamos padronizar os dados, pois dados de precipitação, temperatura e umidade possuem diferentes unidades de medida (C°, %, mm). dados_pad = dados padronizados
```{r}
dados_pad <- decostand(dados[,c(2,3,4)], "standardize")
```
Começaremos as análises dos nossos dados verificando o principal pressuposto estatístico: a normalidade da nossa variável resposta (se possui a curva em forma de sino), que nesse caso será a abundância e riqueza dos anuros
```{r}
hist(dados$abundancia) #verificando visualmente
ggplot(dados, aes(abundancia))+
geom_density(aes(fill="red", col="red"))
hist(dados$riqueza)
ggplot(dados, aes(riqueza))+
geom_density(aes(fill="red", col="red"))
```
Podemos também verificar visualmente com o ggpairs
```{r}
ggpairs(dados)
```
Ele nos dá uma panomara geral dos nossos dados, incluindo a correlação entre as variáveis
Nossos dados não apresentam distribuíção normal, neste caso temos que aplicar um testes NÃO-PARAMÉTRICO (veja a FIG. 1 do manuscrito)
Vamos começar realizando uma **CORRELAÇÃO DE SPEARMAN**. Os valores das correlações variam entre -1 e 1. A correlação de 1 indica uma associação linear positiva entre as variáveis (quando uma variável aumenta a outra aumenta na mesma direção) a correlação de -1 indica uma perfeita associação linear negativa (quando uma variável aumenta a outra diminui)
Vamos testar a correlação entre abundância dos anuros e a precipitação durante 12 meses.
```{r}
cor.test(dados_pad$precipitacao,dados$abundancia, method = "spearm")
```
*P* não significativo (p>0.05), ou seja, não há uma correlação entre as variáveis
Vamos testar agora a correlação entre abundância dos anuros e a temperatura
```{r}
cor.test(dados_pad$temperatura, dados$abundancia, method = "spearm")
```
*P* significativo (p = 0.04), ou seja, há uma correlação entre as variáveis coeficiente (rho) = 0.59, ou seja, correlação positiva.
Agora vamos visualizar essa relação:
```{r}
plot(dados_pad$temperatura, dados$abundancia, xlab = "Temperatura °C", ylab = "Abundância de anuros")
```
Veja que há uma tendência do aumento da abundância dos anuros (eixo Y) em função da temperatura (eixo X)
Agora vamos importar dados hipotéticos para o cálculo de uma correlação com dados normalizados, com um teste **PARAMÉTRICO**
```{r}
dados_normal<-read.table("normal.txt", header=T)
dados_normal
```
Vamos testar novamente a normalidade dos dados
```{r}
hist(dados_normal$abundancia)
lines(density(dados_normal$abundancia),col="red",lwd=2)
```
Agora sim, estamos trabalhando com dados normalizados
A partir disso podemos realizar a **CORRELAÇÃO DE PEARSON**, uma análise não-paramétrica
```{r}
cor.test(dados_normal$temperatura, dados_normal$abundancia, method = "pearson")
```
Há correlação, Coeficiente (r) = 0.59, ou seja, correlação positiva.
**No entanto, como você leu no artigo, a correlação não é recomendada para dados com autocorrelação temporal, ou seja, dados que não possuem dependência temporal entre si**
Para lidar com isso, vamos utilizar uma **REGRESSÃO**
Vamos visualizar a relação entre a abundância dos anuros e a temperatura
```{r}
plot(abundancia ~ temperatura,data=dados_normal)
```
Criaremos um modelo simples (linear) para iniciar
```{r}
mod.ols <- lm(abundancia ~ temperatura,data=dados_normal)
summary(mod.ols)
```
Ele indica que há relação entre as variáveis
No entanto, vamos checar os resíduos da regressão para ser se o modelo está adequado com nossos dados
```{r}
par(mfrow=c(2,2))
plot(mod.ols)
par(mfrow=c(1,1))
```
Há um claro padrão nos resíduos. Isso indica que nossa variável apresenta correlação temporal.
Vamos realizar um teste para ter certeza
```{r}
dwtest(mod.ols, alternative="two.sided")
```
Caso não haja autocorrelação, os valores de p seriam <0.5
Isso indica que o modelo linear não é adequado para nossos dados
# Regressão dos mínimos quadrados generalizados (GLS)
Vamos criar um GLS sem incluir nenhuma estrutura de correlação, que é basicamente a regressão linear feita anteriormente
```{r}
mod.gls <- gls(abundancia ~ temperatura, data=dados_normal)
```
Agora um modelo GLS indicando que nossos dados são distribuídos temporalmente.
Lembrando que o GLS é utilizado apenas com dados contínuos (distribuição Gaussiana). Vamos considerar neste exemplo que os dados de abundância representeam a *altura de empoleiramento de lagartos* em uma floresta. Aqui indicamos a variável (mês das coletas), indicando que os dados são correlacionados temporalmente e que a lag são os meses
```{r}
mod.gls1 <- gls(abundancia ~ temperatura, data=dados_normal, correlation=corAR1(form=~mes))
```
Você pode testar as várias opcões de correlações existentes nesta função. Veja o help da função para maiores detalhes
```{r}
?gls
```
Vamos criar outro modelo alterando a estrutura de correlação
```{r}
mod.gls2 <- gls(abundancia ~ temperatura, data=dados_normal, correlation=corARMA(p = 1, q = 1))
```
Agora vamos usar a **seleção de modelos** para ver qual se adequa melhor aos nossos dados
```{r}
AICctab(mod.gls1, mod.gls2,base=T, weights=T)
```
A função *AICctab* pode apresentar como resultado o ranqueamento dos modelos em ordem decrescente, com seu respectivo AIC, número de paramêtros, delta AICc (que é que diferença entre AICc do modelo e o menor AICc) e o AICweight. Importante salientar que a escolha do limite do valor de dAICc que considera dois ou mais modelos igualmente plausíveis sugerido por Burnham & Anderson (2003) é 2. No entanto, a utilização de um limite menor pode ficar a critério da parcimônia do cientista. Aqui vamos considerar que o modelo mais adequado foi o modelo 1.
A partir disso, vamos ver se o probelma de autocorrelação temporal foi resolvido através da análise dos resíduos
```{r}
acf(residuals(mod.gls1))
```
Os resíduos ficaram ok, a linha azul significa que apenas uma das médias das autocorrelações excedeu o limite de confiança. No entanto, sem um parâmetro para controlar os efeitos de correlação, as estimativas do modelo não são confiáveis
# GAM (modelos aditivos generalizados)
Vamos iniciar o uso do GAM pelo modelo mais simples e ver se ele resolve o problema de autocorrelação dos resíduos
```{r}
gam1 <- gam(abundancia ~ temperatura + s(mes), data = dados, family = poisson)
```
Checando o modelo. A função gam.check auxilia a visiualização da distribuição dos redíduos em relação a um preditor linear. Ele ajuda a verificar um dos pressupostos do modelo que é homogeneidade
```{r}
acf(residuals(gam1))
gam.check(gam1)
```
Os resíduos são semelhantes em relação ao GLS, porém sem um parâmetro para controlar os efeitos de correlação, as estimativas do modelo não são confiáveis
Obtendo o resultado do modelo
```{r}
summary(gam1)
```
Vamos ver se com um modelo misto que controla variáveis de correlação, os resíduos melhoram
## GAMM (modelos aditivos generalizados mistos)
Para dados com variável resposta em prorporção ou contagem.
Aqui utilizaremos os mesmos dados de abundância dos anuros e a temperatura de cada local amostrado ao longo do ano.
Criando o modelo
```{r}
gamm1 <- gamm(abundancia ~ temperatura + s(mes),data = dados, family = poisson)
```
Note que este modelo possui dois novos argumentos (*s* e *family*). O *s* é o *smooth*, onde indicamos que nossa variável resposta está relacionada com esta outra variável, no caso o mês. No *family* indicamos o tipo dos nossos dados. Nossa variável resposta é dado de contagem (abundância) então nesse caso a familia indicada é Poisson.
Vamos checar os resíduos da regressão para ver se há ainda indícios de autocorrelação dos dados
```{r}
acf(residuals(gamm1$gam))
gam.check(gamm1$gam)
```
Os resíduos estão ok, mas vamos ver se podemos melhorar eles
Obtendo o resultado do modelo
```{r}
summary(gamm1$gam, cor = FALSE)
```
A abundância é influenciada pela temperatura e nossa variável smooth teve relação com a variável resposta
Vamos tentar aprimorar nosso modelo gamm usando uma estrutura de correlação
```{r}
gamm2 <- gamm(abundancia ~ temperatura+ s(mes), data=dados, correlation=corAR1(form=~mes), family = poisson)
```
Aqui também indicamos o modelo de correlação, assim como no gls
Checando os resíduos
```{r}
acf(residuals(gamm2$gam))
gam.check(gamm2$gam)
```
Será que este modelo é o mais adequado para nossos dados?
```{r}
summary(gamm2$gam, cor = FALSE)
```
Veja que o valor de *p* da regressão aumentou, assim como o valor da influencia do *smooth*
Vamos testar com mais um modelo e ver se os resíduos melhoram.
```{r}
gamm3 <- gamm(abundancia ~ s(temperatura)+s(mes),
correlation = corARMA(form = ~ mes, p=1, q=1), family = poisson, data=dados)
```
Checando os redíduos
```{r}
acf(residuals(gamm3$gam))
gam.check(gamm3$gam)
```
Será que ele é o melhor modelo para explicar os dados?
Obtendo o resultado do modelo
```{r}
summary(gamm3$gam)
```
Vamos checar isso através do AIC
```{r}
AICctab(gamm3$lme, gamm2$lme, gamm1$lme, mod.gls1 ,base=T, weights=T)
```
De acordo com a seleção, o modelo mais adequado é o gamm1!
No entanto, temos que lembrar que ele é um modelo misto sem estrutura de correlação, ou seja é semelhante ao GLS. Ele terá resultados mais significativos, mas os valores não são confiáveis. Poderíamos escolher aqui o gamm2 como melhor modelo.
Agora vamos testar mais um pressuposto do modelo com Poisson: a *overdispersion*! Isso acontece quando a variação é maior do que seria esperado (i.e., quando a variância é maior que a média). Ao contrário da distribuição normal, que tem um parâmetro para média e outro para a variância, a distribuição de Poisson tem um parâmetro só – assumindo assim que a média é igual à variância (Zuur et al. 2009). No entanto, isso pode não acontecer. Assim, quando os dados são mais dispersos do que seria esperado numa distribuição de Poisson temos a superdispersão. Quando isso ocorre podemos incluir um parâmetro de variância no modelo (mudar a family para quasipoisson, family=quasipoisson) ou mudar para distribuição binomial negativa (usando a função glm.nb do pacote MASS). A distribuição binomial negativa permite modelar a variância separadamente da média utilizando dois parâmetros diferentes, fazendo com que a variância possa ser maior do que a média (Zuur et al. 2009).
Se o valor for 0, o modelo não apresenta *overdispersion*
```{r}
e1<-resid(gamm2, typpe="pearson")
overdispersion<-sum(e1^2)/gamm2$gam$df.residual
overdispersion
```
Pronto!
# ESTATÍSTICA CIRCULAR TESTE DE RAYLEIGH
Esse teste tem a premissa da normalidade de *Von Mises*
```{r}
watson.test(dados$riqueza, dist="vonmises")
```
Os dados apresentam a distribuição normal de *Von Mises*
Agora vamos transformar nossos dados de riqueza em um objeto circular
```{r}
x <- circular(dados$riqueza)
print(x)
```
Fazendo o teste de Rayleigh para ver se nossos dados de riqueza apresentam um padrão sazonal
```{r}
rayleigh.test(x, mu = NULL)
```
A riqueza de anuros não apresenta um padrão sazonal
Vamos ver isso com a ajuda de um gráfico
```{r}
ggplot(dados, aes(x = riqueza, fill = riqueza)) +
geom_histogram(breaks = seq(0, 12), colour = "grey") +
coord_polar(start = 0) + theme_minimal() +
scale_fill_brewer() + ylab("Número de espécies") +
ggtitle("Riqueza por meses do ano") +
scale_x_continuous("", limits = c(0, 12), breaks = seq(0, 12), labels = seq(0,12))
```
Agora vamos criar um vetor circular
```{r}
y <- rvonmises(n=25, mu=circular(pi), kappa=2)
```
E realizar o mesmo teste
```{r}
rayleigh.test(y, mu = NULL)
```
O valor de *p* foi 0, indicando que os dados estão distribuídos de forma sazonal
Criando uma imagem simples desta relação
```{r}
rose.diag(y, bin = 12, col = "lightblue", main = "Evento por hora",
prop = 2, axes = T)
```
# MÉTODOS MULTIVARIADOS
## Space-time interaction (Legendre et al. 2010)
Carregando dados de abundância de uma metacomunidade de anuros (Ceron et al. 2020)
```{r}
spi <- read.table("spatio_temporal.txt", h=TRUE)
head(spi)
```
Transformando os dados de abundancia utilizando Hellinger para diminuir a diferença entre as espécies
```{r}
spi.std <- decostand(spi[,-c(1,2)], "hell")
head(spi.std)
dim(spi.std)
```
Rodando a análise STI. *S* é o número de áreas amostradas e *Ti* é o número de campanhas amostrais
```{r}
stimodels(spi.std, S=6, Ti=12)
```
Os dados de abundância das comunidades apresentam interação espaço-temporal (Interaction test p=0.003), do mesmo modo que apresentam variação apenas no espaço (Space test) e também apenas no tempo (Time test). Resumindo, a composição da comunidades varia tanto no tempo quanto no espaço.
## STATICO
Carregando os dados da composição da comunidade (espécies por locais), variáveis ambientais (locais por variáveis) e uma matriz indicando como as unidades amostrais estão arranjadas nas estações do ano. Dados obtidos em Ceron et al. (2020).
```{r}
design <- read.table("design.txt", h=TRUE)
head(design)
spe <- read.table("spatio.txt", h=TRUE)
head(spe)
spe <- spe[,-c(1,2)]
env <- read.table("env1.txt", h=TRUE)
head(env)
env <- env[,-c(1,2)]
head(env)
```
Transformando os dados de abundancia utilizando Hellinger para diminuir a heterogeneidade de abundância entre as espécies
```{r}
spe_std <- decostand(spe, "hell", MARGIN = 2)
```
Agora vamos iniciar os três passos da análise. Iremos rodar primeiramente uma análise de correspondência na matriz de composição das espécies.
```{r}
speca <- dudi.coa(spe_std, nf = 2, scan = FALSE)
```
Em seguida, vamos inserir o resultado da CA em uma espécie de PCA
```{r}
wit22 <- wca(speca, as.factor(design$season), scan = FALSE, nf = 2)
```
Agora, devemos transformar nosso objeto da função anterior em uma tabela-k, ou seja, uma série de tabelas que serão analisadas posteriormente em conjunto
```{r}
kta22 <- ktab.within(wit22)
spl0 <- split(env, design$season)
spl1 <- split(kta22$cw, design$season)
```
Por fim, iremos preparar os dados para executar a Análise Triádica Parcial, que resume as informações das duas análises multivariadas anteriores
```{r}
spl2 <- lapply(1:4, function(k) scalewt(spl0[[k]], wt = spl1[[k]], scale = FALSE))
w <- NULL
for (k in 1:4) w <- rbind.data.frame(w, spl2[[k]])
p1 <- apply(w, 2, function(x) sqrt(sum(x*x*kta22$cw)/4))
w <- sweep(w, 2, p1, "/")
apply(w, 2, function(x) sum(x*x*kta22$cw))
w <- as.data.frame(t(w))
kta12 <- ktab.data.frame(w, rep(6, 4), tabnames=tab.names(kta22), w.row=rep(1, 4), w.col = kta22$cw)
ktacroi <- ktab.match2ktabs(kta12, kta22)
statico12 <- pta(ktacroi, scan = FALSE)
```
Agora vamos gerar os mapas informativos:
O primeiro demonstra a semelhança entre cada par de matrizes e exibe para cada estação/ano/mês a semelhança entre as variáveis ambientais, as espécies e os locais estudados
```{r}
plot(statico12, plabels.boxes.draw = FALSE)
kplot(statico12, plabels.boxes.draw = FALSE)
```
O segundo ilustra a ordenação das variáveis ambientais e das espécies em um espaço reduzido, indicando a relação espaço-ambiente
```{r}
slE <- s.label(statico12$Tli, facets = statico12$TL[, 1], labels = statico12$TL[, 2], psub.cex = 2, plabel=list(col = "red", cex=1.5, optim=TRUE), plot=FALSE)
saE <- s.arrow(statico12$Tli, facets = statico12$TL[, 1], psub.cex = 0, plabels.cex=0, plines.lwd=0.5, plot=FALSE)
sE <- superpose(slE, saE)
slH <- s.label(statico12$Tco, facets = statico12$TC[, 1], labels = statico12$TC[, 2], psub.cex = 2, plabel=list(col = "blue", cex=1.5, optim=TRUE), plot=FALSE)
saH <- s.arrow(statico12$Tco, facets = statico12$TC[, 1], psub.cex = 0, plabel.cex=0, plines.lwd=0.5, plot=FALSE)
sH <- superpose(slH, saH)
sE1 <- sE[1:4]
sH1 <- sH[1:4]
sE1@positions <- layout2position(c(6,1))
sH1@positions <- layout2position(c(6,1))
sEH1 <- ADEgS(list(sE1, sH1), layout=c(1,2))
```
E o terceiro mapeia a trajetória das espécies e das variáveis ambientais em cada estação/ano/mês a fim de resumir a estrutura das matrizes cruzadas
```{r}
st1 <- s.traject(statico12$supIX, facets=statico12$supTI[,1], plabels.cex=0, plot=FALSE, psub.cex=0, plines.lwd=0.5)
sla1 <- s.label(statico12$supIX, facets=statico12$supTI[,1], plot=FALSE, psub.cex=.8, labels=statico12$supTI[,2], plabels=list(cex=.8, col="red", optim=TRUE))
s1 <- superpose(st1, sla1)
st2 <- s.traject(statico12$supIY, facets=statico12$supTI[,1], plabels.cex=0, plot=FALSE, psub.cex=0, plines.lwd=0.5)
sla2 <- s.label(statico12$supIY, facets=statico12$supTI[,1], plot=FALSE, psub.cex=.8, labels=statico12$supTI[,2], plabels=list(cex=0.8, col="blue", optim=TRUE))
s2 <- superpose(st2, sla2)
ADEgS(list(s1,s2), layout = c(2,1))
```
Para maiores informações em como interpretar os gráficos consulte:
- Slimani, N., Guilbert, E., El Ayni, F., Jrad, A., Boumaiza, M., & Thioulouse, J. (2017). The use of STATICO and COSTATIS, two exploratory threeways analysis methods: An application to the ecology of aquatic heteroptera in the Medjerda watershed (Tunisia). Environmental and Ecological Statistics, 24(2), 269–295. https://doi.org/10.1007/s10651-017-0370-6
- Ceron, K, Santana, DJ, Lucas, EM, Zocche, JJ, Provete, DB. Climatic variables influence the temporal dynamics of an anuran metacommunity in a nonstationary way. Ecol Evol. 2020; in press. https://doi.org/10.1002/ece3.6217
- Kidé, S. O., Manté, C., Dubroca, L., Demarcq, H., & Mérigot, B. (2015). Spatio-temporal dynamics of exploited groundfish species assemblages faced to environmental and fishing forcings: Insights from the mauritanian exclusive economic zone. PLoS ONE, 10, e0141566. https://doi.org/10.1371/journal.pone.0141566
## Asymmetric Eigenvectors Maps - AEM
Vamos construir um conjunto fictício de variáveis AEM com base em amonstragens de uma comunidades anualmente
```{r}
time1 <- c(1, 2, 3, 4, 5, 6, 7, 8)
time2 <- c(10, 1, 9, 0, 0, 5, 0, 0)
time3 <- c(9, 11, 1, 2, 3, 7, 8, 9)
time4 <- c(6, 14, 5, 11, 5, 3, 5, 8)
time5 <- c(2, 8, 4, 15, 3, 0, 15,4)
time6 <- c(7, 14, 16, 1, 20, 11, 7, 4)
time7<- c(4, 1, 2, 15, 1, 20, 1, 10)
time8 <- c(0, 1, 6, 16, 1, 10, 2, 1)
time9 <- c(0, 1, 6, 16, 1, 10, 2, 1)
time10 <- c(8, 7, 6, 5, 1,3, 2, 1)
time11 <- c(0, 1, 6, 16, 1, 10, 2, 1)
time12 <- c(6, 0, 6, 16, 1, 0, 2, 1)
time13 <- c(5, 1, 7, 16, 1, 10, 2, 1)
time14 <- c(4, 1, 0, 8, 1, 9, 2, 1)
time15 <- c(3, 0, 6, 16, 1, 10,12, 1)
time16 <- c(2, 1, 6, 16, 1, 10, 2, 0)
time17 <- c(1, 1, 6, 16, 1, 10, 2, 1)
time18 <- c(9, 11, 1, 2, 3, 7, 8, 9)
time19 <- c(10, 1, 9, 0, 0, 5, 0, 0)
time20 <- c(1, 2, 3, 4, 5, 6, 7, 8)
arbor <- rbind(time1, time2, time3, time4, time5, time6, time7, time8, time9, time10, time11, time12, time13, time14, time15, time16, time17, time18, time19, time20)
```
Criando as datas de amonstragens, iniciando em 5 de Setembro de 2000
```{r}
dates <- as.Date(c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20),origin="2000/1/1")
autocor.limit <- 522
```
Construindo um vetor de pesos para as arestas, cada um representando a facilidade de troca entre datas adjacentes (nós).
```{r}
weights <- weight.time(dates, alpha=2, max.d = 522)
```
Calculando os vetores AEM (20 é o número de amostras)
```{r}
aem.40.out <- aem.time(20, w=weights, moran=TRUE, plot.moran=TRUE)
aem.40.out$Moran
```
19 vetores foram criados a partir dos dados:
* 9 AEM modelando uma correlação temporal positiva
* 10 AEM modelando uma correlação temporal negativa
Calculando a análise de redundância (RDA) das espécies pela matriz de auto-vetores AEM modelando a correlação temporal positiva
```{r}
fauna.aem.40.pos <- rda(arbor, aem.40.out$aem[, aem.40.out$Moran$Positive])
anova(fauna.aem.40.pos)
RsquareAdj(fauna.aem.40.pos)
```
Modelando a correlação temporal negativa
```{r}
fauna.aem.40.neg <- rda(arbor, aem.40.out$aem[, !aem.40.out$Moran$Positive])
anova(fauna.aem.40.neg)
RsquareAdj(fauna.aem.40.neg)
```
Selecionado os AEM que entrarão na modelagem
```{r}
sel.aem.40 <- forward.sel(arbor, aem.40.out$aem, nperm=9999, alpha=0.10)
sel.aem.40
```
Não inclua as variáveis selecionadas com valores de *p* muito maiores que 0.05
Três modelos: todos os AEM selecionados, depois os que modelam correlação positiva e negativa
```{r}
aem.select <- sort(sel.aem.40$order[sel.aem.40$pval<=0.08])
aem.select.pos <- c(2,4)
aem.select.neg <- c(10,19)
```
Verificar em `aem.40.out$Moran` quais foram positivos e negativos
Plote os AEMs selecionados:
```{r}
par(mfrow=c(3,3))
```
os positivos
```{r}
for(i in 1:2) { # 2 é o número de variáveis selecionadas
plot(dates, aem.40.out$aem[,aem.select.pos[i]], type="b", pch=19, main = paste("Positive", aem.select.pos[i]), xlab="Date", ylab="AEM", ylim=c(-0.3,0.3))
}
```
e os negativos
```{r}
for(i in 1:2) {
plot(dates, aem.40.out$aem[,aem.select.neg[i]], type="b", pch=19, main =
paste("Negative", aem.select.neg[i]), xlab="Date", ylab="AEM", col="red", col.main="red", ylim=c(-0.3,0.3))
}
par(mfrow=c(1,1))
```
Calcular RDA das espécies pelo AEM selecionado em cada grupo (positivo, negativo), p <= 0,08
```{r}
fauna.aem.40.pos.5 <- rda(arbor~ ., as.data.frame(aem.40.out$aem[,aem.select.pos]))
anova(fauna.aem.40.pos.5, by="axis")
RsquareAdj(fauna.aem.40.pos.5)
fauna.aem.40.neg.4 <- rda(arbor~ ., as.data.frame(aem.40.out$aem[,aem.select.neg]))
anova(fauna.aem.40.neg.4, by="axis")
RsquareAdj(fauna.aem.40.neg.4)
```
Visualizar os eixos da RDA dos modelos significativos de AEM produzidos pelo AEM selecionado
```{r}
par(mfrow=c(3,1))
```
os positivos
```{r}
for(i in 1:2) {
plot(dates, scores(fauna.aem.40.pos.5, display="lc", choices=i), type="b", pch=19, main
= paste("RDA axis", i, ", positive temporal correlation model"), xlab="Years", ylab="RDA axis")
}
```
e o único negativo
```{r}
plot(dates, scores(fauna.aem.40.neg.4, display="lc", choices=1), type="b", pch=19, main
= paste("RDA axis", 1, ", negative temporal correlation model"), xlab="Years", ylab="RDA axis", col="red", col.main="red")
par(mfrow=c(1,1))
```