素食包有兩種不同的模式來運行RDA。第壹種是簡單模式，它將數據矩陣對象直接輸入到rda()函數中，用逗號分隔:
其中是部分RDA分析所需的響應變量矩陣、解釋變量矩陣和協變矩陣。
這個公式有壹個缺點:不能有因子變量(定性變量)。如果有因子變量，建議使用第二種模式:
其中是響應變量矩陣。解釋變量矩陣包括數量變量(var1)、因素變量(factorA)和變量2與變量3的交互項，協變量(var4)放入條件()。所有用到的數據都放在XWdata的數據框裏。
這個公式和lm()函數以及其他回歸函數壹樣，左邊是響應變量，右邊是解釋變量。
RDA結果摘錄:
RDA公式:
方差劃分:總方差分為兩部分:約束方差和非約束方差。約束部分表示響應變量矩陣的總方差可以用解釋變量來解釋的部分。如果按比例表示，其價值相當於多元回歸的價值。在RDA中，這個解釋比例值也稱為二元冗余統計量。但類似多元回歸的未校正RDA是有偏的，需要進壹步校正。
特征值及其對方差的貢獻:目前本次RDA分析產生了12個規範軸(特征根用RDA 1 ~ RDA 12表示)和16個無約束軸(特征根用PC 1 ~ PC 65438表示)。輸出結果不僅包含各軸的特征根，還給出累積方差解釋率(約束軸)或軸承軸(非約束軸)。最終的累積值必須是1.12個典範軸，這也代表了響應變量的總方差可以被解釋變量解釋的部分。
兩個特征根的重要區別在於，典範特征根RDAx是響應變量總方差可以用解釋變量解釋的部分，而殘差特征根RCx是響應變量總方差可以用殘差軸解釋的部分，與RDA無關。
累計約束特征值表示在該軸和所有之前軸的規範軸中可以解釋的方差占所有解釋方差的累計比例。
在物種得分的二階和三階圖中，表示響應變量的箭頭的頂點坐標。像PCA壹樣，坐標取決於尺度的選擇。
物種得分的加權和(位點得分(類別得分的加權和)):通過使用響應變量矩陣計算獲得的樣本坐標。
樣方約束-立地約束(約束變量的線性組合):利用解釋變量矩陣計算的樣方坐標就是擬合的樣方坐標。
約束變量的雙標圖得分:解釋變量箭頭在排名圖中的坐標是按照以下過程獲得的:在解釋變量和擬合的樣方坐標之間運行相關分析，然後將所有相關系數轉換為雙標圖中的坐標。所有變量，包括水平因子端口，都可以有自己的坐標。用各因子的質心來表示因子變量在排序軸上的坐標更合適。
因子約束的形心:因子變量每層形心點的坐標，即標記為每層壹個的樣方形心。
在rda()函數中，大家感興趣的典範特征系數(即每個解釋變量與每個典範軸之間的回歸系數)可以通過coef()函數得到:
整流
現在畫出RDA的排名圖。如果壹個排序圖中有三個實體:樣方、反應變量和解釋變量，這個排序圖稱為三重圖。為了區分響應變量和解釋變量，定量解釋變量用箭頭表示，響應變量用不帶箭頭的線表示。
每個變量的* * *線性度可以用變量的方差膨脹因子(VIF)來衡量，VIF是衡量* * *線性度引起的變量回歸系數方差的膨脹比。如果VIF值超過20，說明* * *線性非常嚴重。事實上，如果VIF超過10，可能需要處理* * *線性問題。