关于RDA中每个环境因子解释方差比例的说明:

RDA作为研究解释变量矩阵（通常是环境因子）解释响应变量矩阵（通常是物种数据）主要多元统计方法，广泛应用生态学与环境科学多元数据分析当中。在RDA分析中，与普通的线性回归一样，我们可以获得全模型的R²，即响应变量总方差能够被解释变量解释的比例（通常使用校正R²）。在很多研究论文中，经常会在RDA分析中看到，结果不仅会给出总的R², 还会给出每个解释变量（环境因子）所分配的R²（解释率），这个分配R²实际上应该叫做条件效应（Conditional effect），然而条件效应并不是该环境因子真正的解释率，理论上，如果解释变量之间存在共线性，不可能获得各个变量准确的解释率，因为解释变量之间存在共同解释部分，而共同解释部分到底是哪个解释变量解释的实际上从数学上无法辨别。但很多文献没有交代每个环境因子的解释率（%）是条件效应而并不是单独解释率，可能是对条件效应的不理解。下面简单说明RDA三种解释率：单独效应（Simple effect）；边际效应（Marginal effect)和条件效应（Conditional effect）：

单独效应（Simple effect）：就是每个环境因子单独做解释变量时的解释率（校正R²）。

边际效应（Marginal effect) ：就是以目标环境因子作为主解释变量，其他所有环境因子作为协变量的偏RDA的解释率（校正R²）。具体计算过程就是先用响应变量(物种)矩阵跟剔除目标环境因子之外的解释变量矩阵进行RDA分析后，得到的残差矩阵再跟目标解释变量进行RDA分析获得解释率（校正R²）就是目标解释变量的边际效应(Marginal effect)。

条件效应（Conditional effect）：将所有环境变量作为解释变量进行RDA分析，依据置换检验的显著性（p值或F值）对环境因子进行重要性的排位。然后按重要性依次加入解释变量做RDA分析，每运行一次所获得校正R²减去前一次运行的校正R²，就是当次新加入环境因子的条件效应。

以下是RDA分析中里面获得条件效应R代码，请打开下面中Rdata后直接输入下面的代码即可运行：

condieff.Rdata

library(vegan)

#物种多度数据在进行RDA分析之前要hellinger转化

spe.hel <- decostand(spe, "hellinger")

# 基于Hellinger 转化的鱼类数据RDA，解释变量为对象env包括的环境变量

# 省略模式的公式

spe.rda <-rda(spe.hel~., env)

#获取各一个因子的conditional effect

anova(spe.rda, by = "term", permutations=999)

RsquareAdj(rda(spe.hel ~ alt, data=env))$adj.r.squared

RsquareAdj(rda(spe.hel ~ alt+oxy, data=env))$adj.r.squared

RsquareAdj(rda(spe.hel ~ alt+oxy+pho, data=env))$adj.r.squared

根据这个结果，0.303为alt的分配的R²；0.453-0.303=0.15为oxy的条件效应R²，0.511-0.453= 0.058是pho的条件效应R²。这个结果也就是大家一直苦苦寻找的每个解释变量（环境因子）的解释率（%）。但必须强调的是，这仅仅是条件效应，除非解释变量之间正交，否则不可能准确获得每个解释变量的解释率，因为会存在共同解释部分。如果把条件效应R²当作单独的解释率，那越显著的因子对于R²分配具有优先权，而排在后面的环境因子会相对吃亏，这样有时候并不符合实际情况。