Prati, pascoli e paesaggio alpino - SoZooAlp

Fausto Gusmeroli
getazionali. La differenza tra le due tecniche sta nelle assunzioni circa la componente
dell’errore: nella correlazione canonica gli errori sono correlati e normali, in analisi di
ridondanza sono incorrelati e di uguale varianza. In termini pratici le maggiori divergenze
stanno nell’assenza di limitazioni nel numero di specie in RDA e nel fatto che
essa non ricava assi di ordinamento in entrambi i gruppi e ne massimizza le correlazioni
(i due gruppi sono cioè reciprocamente vincolati), ma, più in coerenza con le relazioni
di dipendenza delle specie dai parametri ambientali, estrae assi di ordinamento dalla
matrice di comunità che riflettono direttamente le variabili ambientali (gli assi sono forzati
ad essere combinazioni lineari di queste, ma non viceversa). RDA è pertanto una
PCA vincolata, in cui all’algoritmo è incorporato il calcolo della regressione multipla
dei punteggi dei campioni sulle variabili ambientali. Alla convergenza, i coefficienti di
regressione prendono il nome di coefficienti canonici ed il coefficiente di correlazione
multipla, ossia la correlazione tra i punteggi dei campioni ordinati liberamente e i
punteggi dei campioni derivati come combinazioni lineari delle variabili ambientali, è
detto di correlazione specie-ambiente 35 . Esso non è una misura di quanto la variabilità
della comunità può essere spiegata dai fattori ambientali (ciò è espresso dall’autovalore
dell’asse), ma dell’intensità della relazione tra le specie e l’ambiente su quell’asse.
I coefficienti canonici e le cosiddette correlazioni interne, ossia le correlazioni tra gli
assi di ordinamento e le variabili ambientali, permettono di interpretare gli assi, vale a
dire di inferire circa l’importanza di ogni fattore ambientale nello spiegare la variabilità
specifica dei popolamenti. Entrambi i coefficienti spiegano il tasso di cambiamento di
composizione floristica per unità di variazione della variabile ambientale, ma mentre
per i coefficienti canonici è assunto che le altre variabili siano mantenute costanti, per i
coefficienti interni queste sono assunte covariare con la variabile in oggetto. I due coefficienti
forniscono dunque la stessa informazione solo nel caso, invero poco realistico,
che i fattori ambientali siano tra loro incorrelati. Quando invece sussistono correlazione
molto strette, gli effetti delle variabili non possono essere separati e di conseguenza i
coefficienti canonici sono instabili 36 , dunque non significativi, mentre, fortunatamente,
rimangono valide le correlazioni interne. Come gia detto in precdenza, le variabili molto
correlate possono anche essere rimosse, mantenendone almeno una per ogni insieme
correlato: gli autovalori e le correlazioni specie-ambiente dovrebbero diminuire in misura
lieve, salvo laddove si siano rimosse troppe variabili o variabili importanti.
La sintesi grafica dei risultati può realizzarsi con triplot o joint plot (Fig. 6.10), in
cui compaiono campioni, specie e parametri ambientali. I triplot sono maggiormente
efficaci nel riassumere le relazioni tra le specie e i parametri ambientali, i joint plot le
relazioni di somiglianza/dissomiglianza tra i campioni. Nei triplot, con le frecce sono
rappresentate le variabili ambientali e di norma anche le specie (nella figura 6.10 solo
le variabili ambientali), dal momento che entrambe vanno a costituire singoli biplot sui
campioni, la cui lettura è del tutto analoga a quella del biplot della PCA. In aggiunta
35 RDA è quindi un’analisi di correlazione canonica nella quale sono ignorate le correlazioni tra le specie.
Essa è conosciuta anche come regressione ridotta di rango, a sottolineare la sua analogia anche con la regressione
multivariata. Si tratta infatti di un procedimento intermedio tra la PCA e le regressioni multiple separate per ognuna
delle specie, dunque sia di un ordinamento vincolato, sia di una forma vincolata di regressione multipla.
36 Si tratta del problema della collinearità o multicollinearità, ben conosciuto nell’analisi di regressione
multipla. Si tratta dell’esistenza di correlazioni perfette o molto strette tra due o più regressori, situazione opposta a
quella ottimale in cui tutti i regressori sono tra loro indipendenti.
128