Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp Prati, pascoli e paesaggio alpino - SoZooAlp
113 PRATI, PASCOLI E PAESAGGIO ALPINO riassumere una parte importante e utile dell’informazione complessiva, con una drastica riduzione della dimensionalità dei dati. Se, viceversa, le correlazioni sono blande, le analisi avranno scarsa efficacia. La principale differenza tra PCA e COA consiste, oltre che nel modello di risposta (lineare o unimodale), nelle matrici elaborate: per la PCA è la matrice secondarie di somiglianza/dissomiglianza, per la COA è la matrice primaria. Altra differenza significativa è che PCA non ordina congiuntamente gli oggetti e le variabili, mentre COA è un procedimento pensato proprio per un ordinamento simultaneo e coordinato. Anche le rappresentazioni grafiche dei risultati, come si vedrà, differiscono. L’analisi delle componenti principali La PCA può essere descritta tanto in termini geometrici quanto algebrici. L’interpretazione geometrica è più agevole. Come esemplificato in figura 6.3 per una matrice o spazio geometrico a due variabili descrittive, le componenti sono gli assi di un sistema di coordinate derivato da una duplice manipolazione del sistema multivariato originario. La prima manipolazione consiste nello spostamento dell’origine al centroide (centraggio), la seconda nella rotazione degli assi, eseguita in maniera tale che il primo asse attraversi la maggiore estensione della nuvola dei punti, ossia massimizzi la varianza delle coordinate dei punti su di esso (i punteggi di ordinamento). Poiché sono attuate solamente traslazioni e rotazioni rigide, le distanze tra gli oggetti non cambiano, come non cambia la varianza totale nei tre sistemi. Con il centraggio si ha soltanto una modificazione delle relazioni angolari tra gli oggetti e quindi dei coefficienti di correlazione (che sono i coseni degli angoli), mentre con la rotazione si ha uno spostamento di varianza, ossia di informazione, dalla seconda alla prima componente. Quando le variabili descrittive sono più di due, la rotazione avviene per iterazione 25 e al termine del processo risultano generate tante componenti quante sono le variabili originarie o gli oggetti meno uno, a seconda che le prime siano più o meno numerose dei secondi. Le componenti sono tutte ortogonali tra loro (perpendicolari), dunque linearmente incorrelate, e sono ordinate con varianza decrescente. Geometricamente rappresentano, in ordine di lunghezza, gli assi dell’ellissoide che racchiude la nuvola dei punti nello spazio multidimensionale e le posizioni degli oggetti su di esse sono ricavate come combinazioni lineari delle variabili originarie (le abbondanze delle specie nelle matrici di comunità) 26 . Nel caso di scarsa correlazione tra le variabili, l’ellissoide tende ad assumere forma sferica, con assi quindi circa della medesima lunghezza. L’analisi si limita in tal caso a spostare il sistema delle coordinate al centroide, poiché la rotazione non sortisce effetto alcuno. La descrizione algebrica della PCA rimanda al calcolo matriciale. Il procedimento (Fig. 6.4) consiste in un’autoanalisi eseguita sulla matrice secondaria delle variabili. Per ogni componente sono prodotti un autovalore, o radice caratteristica o latente della 25 Il metodo più antico, di Jacobi, effettua una prima rotazione nel piano delle due variabili più correlate. Sono quindi ricalcolate le correlazioni nel nuovo sistema, dove solo due assi sono stati variati, e si effettua una nuova rotazione nel piano delle due variabili ora più correlate. Queste operazioni sono ripetuta fino a quando tutti i coefficienti di correlazione sono minori di un valore prefissato molto piccolo. 26 La funzione ha la seguente forma: una costante volte il valore della variabile 1, più un’altra costante volte quello della variabile 2, più…della variabile n. Nell’esempio di figura 6.3, poiché la prima componente è inclinata dall’asse della variabile 1 di circa 19°, con un coseno di 0,946 e un seno di 0,326, i punteggi di ordinamento su di essa sono 0,946 volte il valore centrato della specie 1 (valore della variabile 1 meno 27), più 0,326 volte il valore centrato della variabile 2 (valore della variabile 2 meno 18). Il maggior peso della variabile 1 rispetto alla 2 riflette il fatto che la prima componente ha un orientamento più prossimo all’asse della specie 1 che non della specie 2.
Fausto Gusmeroli Fig. 6.3 Derivazione degli assi delle componenti principali da uno spazio originario a due dimensioni Variabile 2 CP2 Fig. 6.4 Schemi e tipi di analisi delle componenti principali C2 Fig. 6.4 Schemi e tipi di analisi delle componenti principali oggetti oggetti variabili oggetti correlazione varianze-covarianze prodotti incrociati Coordinate oggetti Coordinate variabili 114 variabili CP1 C1 Variabile 1 variabili
- Page 64 and 65: 63 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 66: 65 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 69 and 70: Fausto Gusmeroli 4. La vEgEtazIoNE
- Page 71 and 72: Fausto Gusmeroli Tab. 4.1 Tab. Comu
- Page 73 and 74: Fausto Gusmeroli Fig. 4.2 I due tip
- Page 75 and 76: Fausto Gusmeroli Fig. 4.3 Principal
- Page 77 and 78: Fausto Gusmeroli temperatura di 30
- Page 79 and 80: Fausto Gusmeroli Tab. 4.3 Scale di
- Page 81 and 82: Fig. 4.4 Fausto Gusmeroli Tre ogget
- Page 83 and 84: Fausto Gusmeroli Le principali stan
- Page 85 and 86: Fausto Gusmeroli tale sono riconduc
- Page 87 and 88: Fausto Gusmeroli ossia la loro dist
- Page 89 and 90: Fig. 5.2Fausto Gusmeroli Rappresent
- Page 91 and 92: Fig. 5.4 Effetto ricercato nel riar
- Page 93 and 94: Fausto Gusmeroli ragione e viste an
- Page 95 and 96: Fausto Gusmeroli iniziale da quelle
- Page 97 and 98: Particolarità nei dendrogrammi Fau
- Page 99 and 100: Classificazioni flessibili ottenute
- Page 101 and 102: Fausto Gusmeroli in k cluster sono
- Page 103 and 104: Fausto Gusmeroli verificare se vari
- Page 105 and 106: Fausto Gusmeroli aggiunto il nome d
- Page 107 and 108: Fausto Gusmeroli scinale (più even
- Page 109 and 110: Funzione di risposta della specie l
- Page 111 and 112: Fausto Gusmeroli semplice: i parame
- Page 113: Fausto Gusmeroli in rapporto alla s
- Page 117 and 118: Fig. 6.5 Fausto Gusmeroli Diagrammi
- Page 119 and 120: Vari tipi di biplot ottenuti sulla
- Page 121 and 122: Fausto Gusmeroli Dato che COA adott
- Page 123 and 124: Fausto Gusmeroli Lo scaling multidi
- Page 125 and 126: Diagramma di detrito Fausto Gusmero
- Page 127 and 128: Fausto Gusmeroli lettura. Se vi son
- Page 129 and 130: Fausto Gusmeroli getazionali. La di
- Page 131 and 132: Fausto Gusmeroli semplicemente nell
- Page 133 and 134: Fausto Gusmeroli 7. IL PaEsaggIo Na
- Page 135 and 136: Fausto Gusmeroli revoli ha portato
- Page 137 and 138: Fausto Gusmeroli deriva un’ulteri
- Page 139 and 140: Fausto Gusmeroli Tab. Tab. 7.2 Sche
- Page 141 and 142: Fausto Gusmeroli 9 Faggeta 140
- Page 143 and 144: Fausto Gusmeroli 7.4. Le foreste di
- Page 145 and 146: Fausto Gusmeroli de l’appartenenz
- Page 147 and 148: Fausto Gusmeroli che si aggiungono
- Page 149 and 150: Fausto Gusmeroli 19 Associazione di
- Page 151 and 152: Fausto Gusmeroli Praterie naturali:
- Page 153 and 154: Fausto Gusmeroli ha bisogno di norm
- Page 155 and 156: Fausto Gusmeroli 25 26 27 28 Agroec
- Page 157 and 158: Fausto Gusmeroli dominio della vege
- Page 159 and 160: Fausto Gusmeroli e altro), con l’
- Page 161 and 162: Fausto Gusmeroli Tab. 8.1 Schema si
- Page 163 and 164: Fausto Gusmeroli tricolor nei trise
113<br />
PRATI, PASCOLI E PAESAGGIO ALPINO<br />
riassumere una parte importante e utile dell’informazione complessiva, con una drastica<br />
riduzione della dimensionalità dei dati. Se, viceversa, le correlazioni sono blande, le<br />
analisi avranno scarsa efficacia. La principale differenza tra PCA e COA consiste, oltre<br />
che nel modello di risposta (lineare o unimodale), nelle matrici elaborate: per la PCA è<br />
la matrice secondarie di somiglianza/dissomiglianza, per la COA è la matrice primaria.<br />
Altra differenza significativa è che PCA non ordina congiuntamente gli oggetti e le variabili,<br />
mentre COA è un procedimento pensato proprio per un ordinamento simultaneo e<br />
coordinato. Anche le rappresentazioni grafiche dei risultati, come si vedrà, differiscono.<br />
L’analisi delle componenti principali<br />
La PCA può essere descritta tanto in termini geometrici quanto algebrici. L’interpretazione<br />
geometrica è più agevole. Come esemplificato in figura 6.3 per una matrice o<br />
spazio geometrico a due variabili descrittive, le componenti sono gli assi di un sistema di<br />
coordinate derivato da una duplice manipolazione del sistema multivariato originario. La<br />
prima manipolazione consiste nello spostamento dell’origine al centroide (centraggio),<br />
la seconda nella rotazione degli assi, eseguita in maniera tale che il primo asse attraversi<br />
la maggiore estensione della nuvola dei punti, ossia massimizzi la varianza delle coordinate<br />
dei punti su di esso (i punteggi di ordinamento). Poiché sono attuate solamente<br />
traslazioni e rotazioni rigide, le distanze tra gli oggetti non cambiano, come non cambia<br />
la varianza totale nei tre sistemi. Con il centraggio si ha soltanto una modificazione<br />
delle relazioni angolari tra gli oggetti e quindi dei coefficienti di correlazione (che sono<br />
i coseni degli angoli), mentre con la rotazione si ha uno spostamento di varianza, ossia<br />
di informazione, dalla seconda alla prima componente. Quando le variabili descrittive<br />
sono più di due, la rotazione avviene per iterazione 25 e al termine del processo risultano<br />
generate tante componenti quante sono le variabili originarie o gli oggetti meno uno, a<br />
seconda che le prime siano più o meno numerose dei secondi. Le componenti sono tutte<br />
ortogonali tra loro (perpendicolari), dunque linearmente incorrelate, e sono ordinate con<br />
varianza decrescente. Geometricamente rappresentano, in ordine di lunghezza, gli assi<br />
dell’ellissoide che racchiude la nuvola dei punti nello spazio multidimensionale e le<br />
posizioni degli oggetti su di esse sono ricavate come combinazioni lineari delle variabili<br />
originarie (le abbondanze delle specie nelle matrici di comunità) 26 . Nel caso di scarsa<br />
correlazione tra le variabili, l’ellissoide tende ad assumere forma sferica, con assi quindi<br />
circa della medesima lunghezza. L’analisi si limita in tal caso a spostare il sistema delle<br />
coordinate al centroide, poiché la rotazione non sortisce effetto alcuno.<br />
La descrizione algebrica della PCA rimanda al calcolo matriciale. Il procedimento<br />
(Fig. 6.4) consiste in un’autoanalisi eseguita sulla matrice secondaria delle variabili.<br />
Per ogni componente sono prodotti un autovalore, o radice caratteristica o latente della<br />
25 Il metodo più antico, di Jacobi, effettua una prima rotazione nel piano delle due variabili più correlate.<br />
Sono quindi ricalcolate le correlazioni nel nuovo sistema, dove solo due assi sono stati variati, e si effettua una<br />
nuova rotazione nel piano delle due variabili ora più correlate. Queste operazioni sono ripetuta fino a quando tutti i<br />
coefficienti di correlazione sono minori di un valore prefissato molto piccolo.<br />
26 La funzione ha la seguente forma: una costante volte il valore della variabile 1, più un’altra costante volte<br />
quello della variabile 2, più…della variabile n. Nell’esempio di figura 6.3, poiché la prima componente è inclinata<br />
dall’asse della variabile 1 di circa 19°, con un coseno di 0,946 e un seno di 0,326, i punteggi di ordinamento su di<br />
essa sono 0,946 volte il valore centrato della specie 1 (valore della variabile 1 meno 27), più 0,326 volte il valore<br />
centrato della variabile 2 (valore della variabile 2 meno 18). Il maggior peso della variabile 1 rispetto alla 2 riflette<br />
il fatto che la prima componente ha un orientamento più prossimo all’asse della specie 1 che non della specie 2.