北京天演融智软件有限公司
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
新的分析方法
? 第四角分析
通过样本单元x物种矩阵将物种性状与环境变量联系起来的方法学问题，因为是四个基本矩阵的排列（参看dray和legendre（2008，fig.1a）以及mccune和grace（2002,fig.2.1）的性状x环境位置），因此被称为第四角问题。第四角分析提供了这些矩阵之间的链路强度的统计测试。对于第四角分析的理论和数学的详细解释见legendre et al.(1997),dray和legendre(2008),ter braak et al,(2002)和dray et al.(2004)。
? fuzzy set (fso)
模糊集合排序应用模糊集合理论指导生态排序中的梯度分析。这种排序方法需要用户假设物种群落和环境变量或其他预测因子之间的关系。预测因子是常见的环境变量，但它们也可以是第二组物种群落，或任何与社区矩阵相同行数的定量数据集。社区数据被放置在主矩阵中，并且第二集合位于第二矩阵中。结果排序是物种空间中样本单位的排序。物种可以叠加在一个单一的加权平均步长排序。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? morisita-horn distance
horn（1966）修正了morisitad(1959)相似性度量，因而有了现在大家熟知的morista-horn的相似性或距离。这个距离度量的主要吸引力是它对取样工作相对不敏感（wolda 1981）。因此，对于不可能控制采样时间、面积或体积的情况有用。
morisita-horn指数对小物种的影响较小，这在很大程度上是因为该方法抗欠采样的原因。同时，它使该方法对小物种携带的模式不敏感。
? 在permanova和指示物种分析中增加块或组的大数目到1,000
? 新summary | write距离矩阵选项
? 物种面积曲线的自举置信区间
? pca选项将预测方程写入文本文件
? pca选项将特征值从随机化写入电子表格
? 使用peres-neto et al.(2006)方法在cca中增加r2perm调整方差
? 使用peres-neto et al.(2006)方法在rda中增加ezekiel和r2perm调整方差
? 添加了拟合方法，包括基于随机的方法到nms中
? dust bunny指数从多元正态到dust bunny分布作为出发度量
? 新summary | write距离矩阵选项：
√ 只写次对角线距离（对于连续样本）
√ 写对子对角线距离（配对样本）
图形功能扩展
? 应用按钮在不退出偏好对话框的情况下立即预览更改
? 保存群中心的分数为电子表格或文本文件
? 将图片保存为tiff格式
? species frequency label cutoff
? tick marks数量控制
? reorder legend
? 定制工具栏
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
pc-ord和r软件功能对比
虽然在pc-ord和r中有许多相同的工具可用，但是用户体验从根本上不同。为了对r中的社区数据进行必要和适当的分析，您必须学习r编程语言，手动识别、搜索、下载“vegan”和各种其他的程序包，并根据需要修改代码以实现分析目标并获得合适的图形。pc-ord软件操作简单、专家驱动的分析偏好选项、点击图形用户界面便利、交互式图形的功能很灵活、内置上下文敏感的帮助系统以及免费专用技术支持，这些在r软件里都是没有的功能。r软件鼓励用户开发脚本，pc-ord还允许高级用户通过其“批处理”功能开发脚本，以及将用户开发的模块集成到菜单系统中。因此，pc-ord使您能够快速、有信心地选择、运行和解释适当的分析，并在没有准备工作的情况下生成定制的、出版质量的图形。使社区分析的过程变得简单和容易，以至于初学者实际上有可能做到这一点并且做得正确。pc-ord不仅把您需要的大部分工具放在一个地方，而且因为编程已经为您完成了，您可以把时间花在探索数据、回答问题和测试假设等真正重要的事情上。pc-ord帮助您确保可以清楚地看到数据集和目标的选项，并帮助您以强大的图形和详细的解释结果列表解释您的结果。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? 基于距离的冗余分析（dbrda）
基于距离的冗余分析（drbda）类似于冗余分析（rda），除了主矩阵由它的主坐标代替，使用您选择的距离度量。这个变体的目的是允许您选择non-euclidean距离度量，如sorensen（bray-curtis），这个已经证明在群落生态学中是有效的。
? categorical counts
categorical counts提供一种用给定范畴值跟踪案例数量的方法（行，通常指示例单元）。默认情况下，对选定矩阵中的所有分类变量都执行此操作。提供了快速评估类别的频率，对于实验设计中的平衡或不同类别的采样有效性等问题是有用的。
? functional diversity
functional diversity分析了样本单元x物种矩阵与物种x性状矩阵的组合。pc-ord中的功能多样性措施的原理和使用在以下主题中描述。
其他已有的分析方法
? gower distance
gower（1971a）系数在相似性或相异性度量中是非常不寻常的，因为它可以基于定性（分类）数据、定量数据或两者的混合物来计算。分类数据作为匹配问题来处理：共享定性属性的项从该属性接收相似性单元。参看legendre和legendre（1998）对这个方法的详细描述。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? 计算su x形状矩阵
计算样本单元x特征矩阵提供了分析物种性状和解释变量之间关系的灵活的步。该矩阵是通过将样本单元x物种矩阵乘以物种x特征矩阵来获得的，但是矩阵所得到结果的内容，取决于性状是否标准化，以及乘法之后是否是加权平均步长（mccune 2015）。为了大化sux性状矩阵的通用性，包括性状之间的可比性，以及广泛的距离度量的可用性，我们建议首先将性状标准化为小至大，然后计算每个样本单位的丰度加权性状平均值。
? 特征空间中的物种距离
物种可以通过计算物种间的距离矩阵来比较它们的性状，从物种x性状矩阵开始。在数学方面，这与计算物种空间中的样本单元之间的距离矩阵相同，除了在这种情况下，对象是物种，它们的属性是性状，而不是作为样本单元和属性物种的对象。从特征菜单提供相同的距离度量，如物种空间中的样本单元之间的距离。
新矩阵文件格式
? 行和列标识符--大长度从8个字符增加到12个字符。
? 分类值--现在可以是数值（上面例子中的shadetolerq）或文本（上面例子中的dispersal, leaf, leaf, learpersist和shadetolerc），多可达20个字符。
? 矩阵大小--从32,000行x 32,000列增加到2,000,000行x 2,000,000列，大可达536,848,900个元素自带一些局限性。
注意：您仍然可以导入excel旧版的.wk1文件以及xls和.xlsx文件。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
新图形
? 山顶图
山顶图是在单个图形上一次显示多个非线性响应面的方法。我们知道的个使用的是nelson et al(2015)。在pc-ord中，响应面叠加在一个排序上作为叠加。这使得能够同时测量和显示一维和二维，相关联的非线性社区-特质-环境。对于每个所选择的覆盖变量，我们跟踪特定的轮廓，指定该变量的范围的百分比。每个包含的区域是一个“hilltop”，多个部分透明的山丘被叠加在一个排序上。结果图显示了许多非线性覆盖变量（例如，性状、物种丰富度或环境变量）在单个图中的大值。因为hilltops是基于轮廓的响应面，您可以通过阅读叠加来更好地理解山顶图的基础。在山顶图和等高线图之间使用的主要区别是一次只能显示一个变量的等高线图，而在同一个排序上可以画出许多山峰。这是一个有缺失的信息，当转到山顶图时，大部分的轮廓曲线被丢弃，但它具有同时表示多个非线性关系的优点。
pc-ord对电子表格中的生态数据进行多变量分析。pc-ord的重点是非参数工具、图形表示、随机化测试和自举置信区间的社区数据分析。除了用于转换数据和管理文件的实用程序之外，pc-ord还提供了许多统计数据包中不可用的排序和分类技术：cca、dca、指示物种分析、mantel试验、部分mantel试验、mrpp、pcoa、permanova、rda、双向聚类、twinspan、beals平滑、多样性指数、物种列表、许多排序叠加方法（定量、符号编码、颜色编码、网格、联合图、双情节、连续向量）、各种旋转方法、3d排序、bray-curtis排序、城市街区距离测量、物种面积曲线、树数据摘要、发布质量树图、自动驾驶模式的非度量多维范围（nms或nmds）。可以分析大型数据集。只要您计算机的内存够，大多数操作接受多32,000行或32,000列和多536,848,900个矩阵元素的矩阵。完整的手册包括上下文敏感的帮助系统。
? 创造性状组合
通过组合来自两个现有变量的类别来创建一个新的分类变量。从两个选择变量中的每个类别的组合被视为新变量中的新类别。由此产生的新变量总是的。现有变量保留完整，但您可以通过modify|delete按钮很容易的将它删除。
例如，假设您有两个分类变量，一个是对原生与非本土物种的编码，一个是对一年生植物和多年生植物的编码。这可能在分析中发挥作用，如果这些物种的组合，例如，非本地一年生植物，在生态上与所有现存物种特别不同？因此，您可能希望用这些性状类别的所有四种组合来创造一个新的分类变量：（1）本地一年生植物，（2）原生多年生植物，（3）非天然一年生植物，（4）非天然多年生植物。
? 计算su x形状矩阵
计算样本单元x特征矩阵提供了分析物种性状和解释变量之间关系的灵活的步。该矩阵是通过将样本单元x物种矩阵乘以物种x特征矩阵来获得的，但是矩阵所得到结果的内容，取决于性状是否标准化，以及乘法之后是否是加权平均步长（mccune 2015）。为了大化sux性状矩阵的通用性，包括性状之间的可比性，以及广泛的距离度量的可用性，我们建议首先将性状标准化为小至大，然后计算每个样本单位的丰度加权性状平均值。