Prati, pascoli e paesaggio alpino - SoZooAlp

Fausto Gusmeroli
Le principali standardizzazioni e trasformazioni sono sinteticamente illustrate in tabella
4.4 8 . In ecologia, lo scaling è spesso usato, oltre che sulle variabili, anche sugli oggetti,
seppur nella sola forma di standardizzazione. L’operazione, il cui scopo è di ridurre forti
differenze di valore tra le unità di rilevamento, è applicabile quando tutte le variabili
descrittive hanno la stessa unità di misura, come nella matrice di comunità, e serve in tal
caso ad uguagliare le abbondanze complessive dei campioni. Le standardizzazioni più
abituali sono la normalizzazione, quelle sul valore massimo, sull’intervallo di variazione
e sul totale. A volte, come ad esempio in dati di frequenza, può tornare utile lo scaling
congiunto delle variabili e degli oggetti, realizzabile con il doppio centraggio e la doppia
standardizzazione sul totale.
In ordine alla pesatura, essa consiste nell’attribuzione di pesi alle variabili descrittive
in funzione dell’importanza che si vuole loro riconoscere. Interessa di regola le
sole matrici ambientali, sebbene non sia esclusa, almeno in linea teorica, l’applicazione
anche alle matrici di comunità. I parametri ambientali, infatti, possono essere tra loro
incommensurabili, causa le differenti unità di misura, o avere diversa incertezza nella
misurazione, o ancora diversa importanza, mentre le specie sono tra loro in tutto omogenee
e la loro importanza può dunque essere meglio calibrata attraverso lo scaling.
Per altro, pesatura e scaling non sono reciprocamente escludenti. Si potrebbe senz’altro
applicare dapprima lo scaling, ottenendo un bilanciamento generale tra le variabili descrittive,
e successivamente la pesatura, che consente di fissarne in modo più puntuale
l’importanza relativa. Ovviamente, scaling e pesatura hanno senso solo laddove i metodi
di analisi multivariata applicati non contemplino processi di auto-standardizzazione dei
dati, che annullerebbero ogni effetto. Nella pesatura occorre inoltre considerare che il
trattamento multivariato esamina le variabili globalmente e può dunque succedere che
variabili apparentemente di scarso valore informativo, cui si sarebbe tentati di attribuire
pesi marginali, si rivelino in combinazione molto informative. L’operazione è dunque
delicata e va introdotta a ragion veduta.
Esistono infine altre due possibili modi di pre-trattamento dei dati destinate a ridurre
il rumore delle matrici. Uno è la formazione di campioni composti, utile anche per
semplificare matrici molto grandi. I campioni composti derivano dal raggruppamento di
oggetti tra loro simili, che vengono sostituiti nella matrice dal loro campione medio. Per
la loro costruzione possono essere di ausilio le informazioni di carattere ambientale e le
stesse tecniche multivariate impiegate per l’identificazione degli outlier e delle disgiunzioni.
Il secondo modo è la cancellazione delle specie rare. Queste specie, pur essendo
talvolta importanti in chiave sintassonomica, come sarà chiarito più avanti, non sono di
solito valide indicatrici ecologiche, riflettendo piuttosto fasi transitorie e instabili della
vegetazione. Oltre a portare poca informazione, possono disturbare l’analisi multivariata,
comportandosi da outlier. Il concetto di rarità non è tuttavia ben definito: rigorosa-
8 Usando le tecniche multivariate per analizzare le matrici, si deve tenere presente che pochi sono i coefficienti
adimensionali, quelli cioè indipendenti dalla scala e dall’unità di misura delle variabili e che possono quindi
essere applicati sui dati non trasformati. Tra questi si possono ricordare il coefficiente di correlazione, l’indice di
somiglianza di Gower (specifico per l’analisi di dati misti, ossia qualitativi e quantitativi) e gli indici probabilistici.
Negli altri casi occorrerà valutare opportunamente il rescaling dei dati. Con dati misti ciò può però non essere
sufficiente ad uniformare la matrice. In tale evenienza è giocoforza ricorrere ad una trasformazione che riporti tutte
le variabili alla scala inferiore (secondo la processione illustrata sopra) o utilizzare le specifiche tecniche per dati
misti, come il citato indice di Gower.
82