RDA冗余分析结果解读
一、RDA冗余分析概述
冗余分析（Redundancy Analysis, RDA）是一种约束排序方法，广泛应用于生态学、环境科学和群落数据分析中。RDA是主成分分析（PCA）的扩展，其核心思想是在排序过程中引入解释变量（X变量）的约束，使得排序轴不仅反映响应变量（Y变量）的最大变异，而且能够最大限度地被解释变量所约束。换言之，RDA旨在提取Y变量变异中能够被X变量线性解释的部分，并通过排序图直观展示X变量与Y变量之间的关系结构。
RDA分析的数学原理基于响应变量矩阵对解释变量矩阵的多元回归，然后对拟合值矩阵进行特征值分解（类似于PCA），提取约束排序轴。每个排序轴对应一个特征值，特征值越大表示该轴解释的变异越多。RDA分析的结果通常包括：置换检验（评价模型整体显著性）、方差分解（约束方差与非约束方差的比例）、特征值与解释方差（各轴的重要性）、X变量重要性排序（哪些解释变量是主要驱动因子）以及双序图（biplot）等。本研究使用SPSSAU软件对36个样本的5个解释变量（x1~x5）和6个响应变量（y1~y6）进行RDA冗余分析，探讨环境因子对群落或响应指标的解释能力。
在SPSSAU【进阶方法】模块选择【RDA冗余分析】，将变量拖拽至右侧对应分析框，操作如下图：
二、样本信息与数据完整性
表1展示了样本的缺失情况。本次RDA分析共纳入36个有效样本，所有样本在全部解释变量和响应变量上均无缺失值，无样本被排除。完整的数据集保证了RDA分析结果的可靠性。
三、置换检验结果
表2展示了RDA模型的置换检验结果。置换检验是RDA分析中评价模型整体显著性的非参数方法，其原假设H0为：X变量对Y变量变异的解释能力不显著，即X与Y之间不存在线性关系。通过200次随机置换，计算F统计量及其对应的p值。结果显示，模型（约束轴）的自由度为5，约束方差为5.179；残差（非约束轴）的自由度为30，非约束方差为0.821。F统计量=（5.179/5）/（0.821/30）=37.826，p=0.000<0.001。p值远小于0.05的显著性水平，因此拒绝原假设，说明X变量（x1~x5）对Y变量（y1~y6）的变异具有极其显著的解释能力，RDA模型整体有效。F=37.826是一个很大的F值，表明约束方差远大于残差方差，模型的约束效果非常强。
四、方差分解结果
表3展示了RDA分析的方差分解情况。总方差为6.000，代表Y变量变异的总量。约束方差为5.179，表示能够被X变量线性解释的Y变异部分；非约束方差为0.821，表示不能被X变量解释的残余变异部分（可能由随机因素或未测量变量引起）。约束方差比例为86.310%，即X变量能够解释Y变量总变异的86.31%，仅有13.69%的变异无法被当前模型中的X变量所解释。这一极高的约束方差比例表明，本研究选取的5个解释变量（x1~x5）对6个响应变量（y1~y6）具有非常强的解释能力，模型拟合度极好。在生态学研究中，约束方差比例超过50%即认为模型解释力较强，本研究达到86.31%，说明X变量是驱动Y变量变化的主要因素。
五、特征值与解释方差
表4展示了RDA各排序轴的特征值及其解释方差情况。RDA1的特征值最大（2.463），单独解释了Y变量总变异的41.043%，是最重要的排序轴。RDA2的特征值为1.504，解释了25.075%的变异。RDA1和RDA2的累积解释方差达到66.118%，说明前两个排序轴已经能够捕获约束方差中的大部分信息。RDA3的特征值为0.687，解释了11.458%的变异，前三轴的累积解释方差为77.576%。在实际分析中，通常重点关注前两个排序轴（RDA1和RDA2），因为它们的累积解释方差已超过66%，足以反映X变量与Y变量之间关系的主要结构。特征值的递减趋势（2.463>1.504>0.687）表明数据具有较好的低维结构，适合通过二维排序图进行可视化展示。
六、解释变量重要性分析
表5展示了各解释变量（X变量）单独能够解释Y变量总变异的百分比，以及各X变量与RDA排序轴的相关系数。解释方差指标是衡量X变量重要性的核心指标，其计算公式为：单个X变量通过回归能预测的所有Y变量方差÷Y变量总方差×100%。
从解释方差来看，x1的解释方差最大，为30.175%，说明x1是驱动Y变量变化的最重要解释变量，单独就能解释Y变异的近三分之一。x4的解释方差为16.583%，排名第二；x3为15.057%，排名第三；x2为12.397%，排名第四；x5的解释方差最小，仅为8.352%。五个X变量的解释方差之和为82.564%，与约束方差比例86.310%接近但不完全相等，这是因为各变量之间存在一定的共解释部分。
从X变量与RDA轴的相关系数来看，x1与RDA2的相关系数最高（0.674），表明x1主要在RDA2轴上发挥作用；x2与RDA3的相关系数最高（0.789），表明x2主要在RDA3轴上发挥作用；x4与RDA1的相关系数较高（-0.585），表明x4主要在RDA1轴上发挥作用。不同X变量在不同排序轴上的载荷差异，反映了各解释变量对Y变量变异解释的维度结构。
七、解释变量与响应变量相关性
表6展示了X变量与Y变量之间的Pearson相关系数矩阵，有助于识别哪些X变量与哪些Y变量之间存在较强的线性关系。绝对值较大的相关系数（如>0.5或<-0.5）表示强相关关系。
从表中可以看出，x1与y1的相关系数最高（r=0.905），与y2的相关系数也较高（r=0.818），表明x1与y1、y2之间存在极强的正相关关系，这与x1解释方差最大（30.175%）的结论一致。x2与y3的相关系数较高（r=0.600），x3与y4（r=0.678）和y5（r=0.468）呈正相关，x4与y5（r=0.676）和y6（r=0.617）呈正相关，x5与y6呈正相关（r=0.596）。值得注意的是，x1与y3之间存在负相关关系（r=-0.356），说明x1的增加可能伴随y3的降低。总体来看，不同的X变量对不同的Y变量具有选择性解释效应，这种差异化的相关结构在RDA双序图中可以得到直观展示。
八、RDA双序图解读
图1 RDA双序图（Biplot）
图1为RDA双序图（Biplot），是RDA分析最核心的可视化结果。双序图同时展示了样本点、响应变量（Y变量）箭头和解释变量（X变量）箭头在排序空间中的位置，通过样点位置、箭头长度和方向可以直观解读以下信息：
第一，样点之间的距离反映相似性。任意两个样点距离越近，说明这两个样点在响应变量上的特征越相似；反之，距离越远则差异越大。从图中可以观察到，部分样点在排序空间中聚集形成若干群组，而另一些样点则相对分散，反映了样本之间的异质性。
第二，箭头长度反映变量重要性。无论是X变量还是Y变量，箭头越长表示该变量在排序空间中的变异越大，即该变量的重要性越高。从图中可以比较各变量箭头的相对长度，识别对群落或响应指标影响最大的关键因子。
第三，箭头之间的夹角反映相关关系。两个变量箭头之间的夹角越小（接近0度），说明二者之间的正相关关系越强；夹角接近90度（垂直）说明二者几乎无线性关系；夹角接近180度说明二者呈强负相关关系。例如，如果x1箭头与y1箭头方向接近一致，说明x1与y1呈正相关，这与相关系数r=0.905的结论一致。
第四，样点与变量箭头的关系。样点离某变量箭头越近（或越靠近箭头延伸方向），意味着该样点在该变量上的取值越高。通过观察样点与变量箭头的空间关系，可以推断哪些样本受到哪些环境因子的影响较大。综合以上信息，RDA双序图能够一图展示'谁和谁相似'、'什么因素重要'、'谁受什么影响'等关键信息。
九、样本得分与变量得分
表7展示了Y变量在各RDA排序轴上的得分。Y变量得分反映了各响应变量在排序空间中的位置，得分的具体数值本身不具有独立的分析意义，但经过缩放处理后展示在RDA双序图中。在双序图中位置相近的Y变量具有较高的相关性。从表中可以看出，y1和y2在RDA1轴上的得分均为负值且接近（-0.418和-0.484），在RDA2轴上的得分均为正值，说明y1和y2在排序空间中的位置相近，具有较高的相关性，这与Pearson相关分析的结果一致。y4和y5在RDA1和RDA2轴上的得分也较为接近，提示二者之间也存在一定的相关性。
表8展示了X变量在各RDA排序轴上的得分。X变量得分同样经过缩放处理后展示在双序图中。x1在RDA1轴上的得分为-1.013，在RDA2轴上为0.827，说明x1在双序图中主要沿RDA1和RDA2方向展开，这与x1解释方差最大（30.175%）的结论一致。x4在RDA1轴上的得分为-0.918，也主要沿RDA1方向分布。x2在RDA3轴上的得分最高（0.654），说明x2的信息主要体现在第三排序轴上。在双序图中，位置相近的X变量具有较高的相关性，如x1和x4在RDA1轴上的得分均较大（负值），说明二者可能存在一定的相关性。
十、结论
本研究采用RDA冗余分析方法，对36个样本的5个解释变量（x1~x5）和6个响应变量（y1~y6）之间的关系进行了约束排序分析。置换检验结果显示模型整体极其显著（F=37.826，p<0.001），表明X变量对Y变量的变异具有显著的解释能力。方差分解结果显示，约束方差比例高达86.310%，即X变量能够解释Y变量总变异的86.31%，模型拟合度极好。前两个RDA轴的累积解释方差为66.118%（RDA1=41.043%，RDA2=25.075%），足以反映X-Y关系的主要结构。
在解释变量重要性方面，x1的解释方差最大（30.175%），是最重要的驱动因子，其次为x4（16.583%）、x3（15.057%）、x2（12.397%）和x5（8.352%）。相关分析和双序图共同揭示了X变量与Y变量之间的差异化相关结构，如x1与y1（r=0.905）和y2（r=0.818）呈极强正相关，x3与y4（r=0.678）呈强正相关，x4与y5（r=0.676）和y6（r=0.617）呈强正相关。综上所述，本研究选取的5个解释变量对响应变量具有极强的解释能力，其中x1是最主要的驱动因子，RDA双序图直观展示了样本、X变量和Y变量之间的关系结构。
