Prati, pascoli e paesaggio alpino - SoZooAlp

Axis 2
Fig. 4.5 Fig. 4.5
81
PRATI, PASCOLI E PAESAGGIO ALPINO
Effetto Effetto della rimozione della rimozione di un outlier di un outlier in un in diagramma un diagramma di ordinamento di ordinamento
Fig. 4.5
Effetto della rimozione di un outlier in un diagramma di ordinamento
90
80
70
60
50
40
30
20
10
0
-10
-20
-30
Axis 2
-60
90
80
Outlier Outlier
70
60
50
40
30
20
10
0
-10
-20
-30
-40 -60
-20 -40
-20 0
Axis 1
20 0
Axis 1
40 20
60 40
60
Axis 2
dalla struttura solo attraverso la disponibilità di dati ridondanti, ossia di repliche (più
popolamenti della medesima biocenosi). La ridondanza, come visto, è necessaria anche
per la produzione delle mappe della vegetazione o per ottenere stime delle medie
e delle varianze.
I campioni isolati, le disgiunzioni e il rumore ostacolano l’estrazione dell’informazione
utile dalle matrici e vanno pertanto controllati. Ciò si realizza eliminando gli outlier,
analizzando separatamente le disgiunzioni come fossero singole matrici e riducendo
il più possibile il rumore. Su quest’ultimo aspetto, che rappresenta uno degli obiettivi
principali del trattamento statistico multivariato, possono esercitare un certo influsso
le preventive operazioni di scaling e pesatura dei dati. Tali procedure possono essere
suggerite dalla necessità di calibrare da un lato il livello di approfondimento dell’analisi,
dall’altro di riequilibrare o modificare la quota di informazione portata dalle variabili
descrittive (le specie nella matrice di comunità, le variabili ambientali nella matrice ecologica).
Lo scaling contempla procedure di standardizzazione e di trasformazione. Le
prime sono modificazione dei dati basata su statistiche calcolate a partire dai dati stessi
(varianza, intervallo di variazione, media etc.); le seconde sono basate su funzioni matematiche
i cui parametri, almeno alcuni, sono estranei ai dati. La standardizzazione agisce
essenzialmente sul peso delle variabili, mentre la trasformazione modifica più spesso la
loro forma di distribuzione. Nelle matrici di comunità, lo scaling ha principalmente lo
scopo di ridurre l’incidenza delle specie dominanti, enfatizzata dai dati quantitativi, e
aumentare quella delle meno abbondanti, enfatizzata dai dati binari. Tecnicamente ciò si
ottiene comprimendo i dati quantitativi ed eventualmente i dati ordinali di scale troppo
ampie. Ovviamente, per i dati alternativi nessuna trasformazione è possibile. Nelle matrici
ambientali, lo scaling si prefigge fondamentalmente di bilanciare il peso di variabili
che differiscono nelle scale e/o unità di misura, o anche solo nell’ordine di grandezza.
90
80
70
60
50
40
30
20
10
0
-10
-20
-30
Axis 2
-60
90
80
70
60
50
40
30
20
10
0
-10
-20
-30
-40 -60
-20 -40
-20 0 20 0 40 20
Axis 1 Axis 1
60 40
60