Słownik metodologiczny · Testy statystyczne

PERMANOVA: permutacyjna analiza wariancji na macierzy odległości

PERMANOVA porównuje grupy na macierzy odległości zamiast na surowych zmiennych, a wartość p wyznacza z permutacji. Wyjaśniamy pseudo-F, różnicę między położeniem a rozproszeniem grup i pokazujemy przykład w R (vegan).

W skrócie: PERMANOVA to permutacyjna analiza wariancji na macierzy odległości (np. Braya–Curtisa): statystyka pseudo-F porównuje sumy kwadratów odległości między grupami i w grupach, a p wyznacza się z permutacji etykiet. Nie wymaga normalności, ale reaguje także na różne rozproszenie grup.

Co to jest PERMANOVA?

PERMANOVA (ang. permutational multivariate analysis of variance) to permutacyjna wersja MANOVA, która porównuje grupy nie na surowych zmiennych, lecz na macierzy odległości (odmienności) między obiektami. Anderson (2001) zaproponowała statystykę pseudo-F – wielowymiarowy odpowiednik F Fishera – liczoną z dowolnej symetrycznej macierzy odległości, np. indeksu Braya–Curtisa; wartość p daje test permutacyjny. Metoda nie zakłada wielowymiarowej normalności i działa, gdy zmiennych jest więcej niż obserwacji – stąd popularność w ekologii.

Jak działa test

Całkowita suma kwadratów to SST = (1/N)·Σd²ij po wszystkich parach obiektów, a wewnątrzgrupowa SSW to suma takich wyrażeń liczonych osobno w grupach (z 1/ng). Wtedy SSA = SST − SSW, a pseudo-F = [SSA/(a − 1)] / [SSW/(N − a)]. Dla jednej zmiennej i odległości euklidesowej to zwykłe F z ANOVA. Rozkład pod hipotezą zerową dają permutacje etykiet grup; addytywny podział zmienności pozwala analizować schematy czynnikowe i zagnieżdżone (Anderson, 2001).

Przykład

W danych dune (20 łąk, 30 gatunków roślin) sposób użytkowania łąki (grupy 3–6 łąk) wyjaśnia 34% zmienności składu gatunkowego mierzonej odległością Braya–Curtisa: pseudo-F(3, 16) = 2.77, p = .005 (999 permutacji).

Położenie czy rozproszenie?

Istotny wynik może oznaczać przesunięcie centroidów albo różne rozproszenie grup. W symulacjach, które opisali Anderson i Walsh (2013), różna dyspersja prawie nie wpływała na test w układach zrównoważonych, ale w niezrównoważonych był on zbyt liberalny, gdy bardziej rozproszona była mniejsza grupa, i zbyt konserwatywny w sytuacji odwrotnej. Dlatego obok PERMANOVA wykonuje się PERMDISP (betadisper) – wielowymiarowe uogólnienie testu Levene’a na odległościach od centroidu grupy (Anderson, 2006). W przykładzie średnie odległości wynoszą od 0.22 do 0.45, F(3, 16) = 1.95, p = .195; przy 20 łąkach to słaby dowód jednorodności.

Na rysunku

Dwa panele. A: wykres PCoA 20 łąk z danych dune (odległość Braya–Curtisa; oś 1 – 37.4%, oś 2 – 22.3% zmienności), cztery sposoby użytkowania oznaczone kolorem i kształtem (BF – kwadraty, HF – kółka, NM – trójkąty, SF – romby), każda łąka połączona linią ze środkiem swojej grupy. Grupa NM leży wyżej i jest najbardziej rozproszona, BF i HF skupione po lewej, SF niżej. B: odległości łąk od środka grupy ze średnimi: BF 0.220, HF 0.279, NM 0.451, SF 0.364
Rysunek 1. Analiza głównych współrzędnych (PCoA) łąk z punktami środkowymi grup (A) i odległości łąk od środka grupy (B). Obliczenia: R, pakiety vegan, ggplot2 i patchwork (dane dune).

Co widać. PERMANOVA pyta o położenie grup, PERMDISP o ich rozproszenie; rysunek pokazuje oba pytania na tych samych danych. W panelu A każda łąka jest połączona linią ze środkiem swojej grupy. Środki są wyraźnie przesunięte (NM u góry, SF na dole, BF i HF po lewej) – to różnica położenia, którą mierzy pseudo-F = 2.77. Długość linii to rozproszenie: najdłuższe są w NM. Panel B zbiera te długości – średnio od 0.220 w BF do 0.451 w NM – i to je porównuje PERMDISP (p = .195). Funkcja betadisper() domyślnie liczy odległości od mediany przestrzennej grupy, nie od średniej, stąd na rysunku „środek grupy”.

Na co uważać. Dwie osie PCoA niosą razem 59.6% zmienności, więc odległości na płaszczyźnie tylko przybliżają te z panelu B, liczone we wszystkich wymiarach. Gdyby środki grup leżały w jednym miejscu, a różniła się tylko długość linii, PERMANOVA przy nierównych grupach mogłaby i tak dać istotny wynik (Anderson i Walsh, 2013) – dlatego warto rysować oba panele. Przy 3–6 łąkach w grupie nieistotny PERMDISP nie dowodzi równego rozproszenia. Ten sam wykres można zrobić w nMDS; procenty zmienności na osiach ma tylko PCoA.

Podpis do pracy:

Rysunek 1. Analiza głównych współrzędnych (PCoA) składu gatunkowego 20 łąk według sposobu użytkowania (odległość Braya–Curtisa) (A) i odległości łąk od mediany przestrzennej grupy (B). Uwaga. Linie łączą łąki ze środkiem grupy; w nawiasach przy osiach – odsetek zmienności; kreski w panelu B – średnie odległości.

Rysunek nie losuje danych; jedyny element losowy to poziomy rozrzut punktów w panelu B (ze stałym ziarnem seed = 1, tylko dla czytelności). Rysunek na stronie różni się od wyniku kodu tylko motywem serwisu.

Kod R rysunku 1
# Rysunek 1. PCoA łąk z danych dune (odległość Braya–Curtisa) z punktami środkowymi grup (A)
# i odległości łąk od środka grupy, czyli to, co porównuje PERMDISP (B)
suppressPackageStartupMessages(library(vegan))
library(ggplot2)
library(patchwork)

kol <- c(BF = "#E69F00", HF = "#56B4E9", NM = "#009E73", SF = "#D55E00")
ksz <- c(BF = 15, HF = 16, NM = 17, SF = 18)
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

data(dune); data(dune.env)
g <- dune.env$Management                                 # BF, HF, NM, SF
disp <- betadisper(vegdist(dune, method = "bray"), g)    # PCoA + środek grupy (domyślnie mediana przestrzenna)
ev <- disp$eig[disp$eig > 0]
proc <- round(100 * ev[1:2] / sum(ev), 1)                # % zmienności na osiach 1 i 2 (dodatnie wartości własne)
c(proc, razem = round(100 * sum(ev[1:2]) / sum(ev), 1))
pkt <- data.frame(disp$vectors[, 1:2], grupa = g)
names(pkt)[1:2] <- c("x", "y")
srodki <- data.frame(disp$centroids[, 1:2], grupa = rownames(disp$centroids))
names(srodki)[1:2] <- c("xs", "ys")
pkt <- merge(pkt, srodki, by = "grupa")
round(tapply(disp$distances, g, mean), 3)                # średnia odległość od środka grupy (PERMDISP)

pA <- ggplot(pkt, aes(x, y, colour = grupa, shape = grupa)) +
  geom_segment(aes(xend = xs, yend = ys), linewidth = 0.5, alpha = 0.7) +
  geom_point(size = 3) +
  geom_label(data = srodki, aes(xs, ys, label = grupa, colour = grupa), inherit.aes = FALSE,
             fontface = "bold", size = 4.2, show.legend = FALSE, label.padding = unit(0.15, "lines")) +
  scale_colour_manual(values = kol, name = "Użytkowanie") + scale_shape_manual(values = ksz, name = "Użytkowanie") +
  coord_equal() +
  labs(title = "A. PCoA łąk (Bray–Curtis)", x = paste0("PCoA 1 (", proc[1], "%)"), y = paste0("PCoA 2 (", proc[2], "%)")) +
  motyw

odl <- data.frame(grupa = g, d = disp$distances)
sr <- aggregate(d ~ grupa, odl, mean)
pB <- ggplot(odl, aes(grupa, d, colour = grupa, shape = grupa)) +
  geom_point(size = 3, position = position_jitter(width = 0.12, height = 0, seed = 1)) +
  geom_crossbar(data = sr, aes(ymin = d, ymax = d), width = 0.5, linewidth = 0.6, colour = "black") +
  scale_colour_manual(values = kol, guide = "none") + scale_shape_manual(values = ksz, guide = "none") +
  labs(title = "B. Odległość od środka grupy", x = "Użytkowanie łąki (n = 3, 5, 6, 6)",
       y = "Odległość (kreska = średnia)") + motyw
p1 <- pA + pB + plot_layout(widths = c(1.4, 1))
p1
Wynik w R
PCoA1 PCoA2 razem 
 37.4  22.3  59.6 
   BF    HF    NM    SF 
0.220 0.279 0.451 0.364 

Jak opisać w pracy

Skład gatunkowy łąk porównano testem PERMANOVA (odległość Braya–Curtisa, 999 permutacji). Sposób użytkowania wyjaśniał 34% zmienności, pseudo-F(3, 16) = 2.77, p = .005. PERMDISP: F(3, 16) = 1.95, p = .195.

Na co uważać

  • Odległość definiuje hipotezę. Bray–Curtis, Jaccard i odległość euklidesowa mogą dać różne wyniki; wybierz miarę z góry.
  • Pokaż wynik. Układ grup widać w skalowaniu wielowymiarowym (nMDS lub PCoA) na tej samej macierzy.
  • Nie zastępuje MANOVA bezwarunkowo. Gdy zmienne są ciągłe i bliskie normalności, klasyczne statystyki (lambda Wilksa, ślad Pillaia) wprost uwzględniają kowariancje zmiennych.
Przykład reprodukowalny

PERMANOVA w R

Kod wykonuje PERMANOVA funkcją adonis2() z pakietu vegan, odtwarza pseudo-F ręcznie z kwadratów odległości i sprawdza jednorodność rozproszenia funkcją betadisper(). Liczby w tekście pochodzą z tego kodu.

PERMANOVA, pseudo-F ręcznie i PERMDISP

Dane wejściowe: dune i dune.env z pakietu vegan – 20 łąk, liczebności 30 gatunków, zmienna Management (BF, HF, NM, SF).

Co odczytać: w tabeli adonis2 wiersz Model: R2, F, Pr(>F); w wektorze ręcznym SSA, SSW, pseudoF (zgodne z tabelą); w permutest wiersz Groups: F i Pr(>F).

R
suppressPackageStartupMessages(library(vegan))     # dane dune: 20 łąk × 30 gatunków; dune.env: sposób użytkowania
data(dune); data(dune.env)
g <- dune.env$Management                           # BF, HF, NM, SF
table(g)
set.seed(651)
adonis2(dune ~ Management, data = dune.env, method = "bray", permutations = 999)
# Pseudo-F ręcznie z kwadratów odległości (Anderson, 2001)
D2 <- as.matrix(vegdist(dune, method = "bray"))^2
N <- nrow(D2); a <- nlevels(g)
SST <- sum(D2[upper.tri(D2)]) / N
SSW <- sum(sapply(levels(g), function(k) {
  Dk <- D2[g == k, g == k]; sum(Dk[upper.tri(Dk)]) / nrow(Dk) }))
round(c(SST = SST, SSW = SSW, SSA = SST - SSW, R2 = (SST - SSW) / SST,
        pseudoF = ((SST - SSW) / (a - 1)) / (SSW / (N - a))), 4)
# Jednorodność rozproszenia (PERMDISP): odległości od centroidu grupy
disp <- betadisper(vegdist(dune, method = "bray"), g)
round(tapply(disp$distances, g, mean), 3)
set.seed(651)
permutest(disp, permutations = 999)
Wynik w R
g
BF HF NM SF 
 3  5  6  6 
Permutation test for adonis under reduced model
Permutation: free
Number of permutations: 999

adonis2(formula = dune ~ Management, data = dune.env, permutations = 999, method = "bray")
         Df SumOfSqs      R2      F Pr(>F)   
Model     3   1.4686 0.34161 2.7672  0.005 **
Residual 16   2.8304 0.65839                 
Total    19   4.2990 1.00000                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    SST     SSW     SSA      R2 pseudoF 
 4.2990  2.8304  1.4686  0.3416  2.7672 
   BF    HF    NM    SF 
0.220 0.279 0.451 0.364 

Permutation test for homogeneity of multivariate dispersions
Permutation: free
Number of permutations: 999

Response: Distances
          Df  Sum Sq  Mean Sq      F N.Perm Pr(>F)
Groups     3 0.13831 0.046104 1.9506    999  0.195
Residuals 16 0.37816 0.023635                     

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem vegan 2.7-3 (dane dune i dune.env z tego pakietu). Rysunek – pakiety ggplot2 4.0.2 i patchwork 1.3.2. Wartości p z permutacji zależą od ziarna losowania. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. vegan (wersja 2.7-3): Oksanen, J., Simpson, G., Blanchet, F., Kindt, R., Legendre, P., Minchin, P., O’Hara, R., Solymos, P., Stevens, M., Szoecs, E., Wagner, H., Barbour, M., Bedward, M., Bolker, B., Borcard, D., Borman, T., Carvalho, G., Chirico, M., De Caceres, M., … Weedon, J. (2026). vegan: Community ecology package [R package]. https://doi.org/10.32614/CRAN.package.vegan
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Czym PERMANOVA różni się od klasycznej MANOVA?

Klasyczna MANOVA analizuje surowe zmienne i zakłada wielowymiarową normalność oraz równe macierze kowariancji, a p wyznacza z przybliżonego rozkładu F. PERMANOVA pracuje na macierzy odległości wybranej przez badacza i liczy p z permutacji, więc nadaje się do danych skośnych, z wieloma zerami i z większą liczbą zmiennych niż obserwacji.

Czy istotny wynik PERMANOVA oznacza, że centroidy grup się różnią?

Niekoniecznie. Test reaguje zarówno na przesunięcie centroidów, jak i na różne rozproszenie grup, zwłaszcza w układach o nierównych liczebnościach. Dlatego wynik uzupełnia się testem PERMDISP (betadisper) i wykresem nMDS lub PCoA, który pokazuje, czy grupy się przesuwają, czy tylko różnią rozrzutem.

Ile permutacji ustawić w PERMANOVA?

Najczęściej 999 albo 9999. Najmniejsza możliwa wartość p wynosi 1/(liczba permutacji + 1), więc przy 999 permutacjach to .001. Przy bardzo małych grupach liczba różnych permutacji jest ograniczona i p nie może zejść poniżej pewnego progu; podaj liczbę permutacji i ziarno losowania.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Anderson, M. J. (2001). A new method for non-parametric multivariate analysis of variance. Austral Ecology, 26(1), 32–46. https://doi.org/10.1111/j.1442-9993.2001.01070.pp.x
  2. Anderson, M. J. (2006). Distance-based tests for homogeneity of multivariate dispersions. Biometrics, 62(1), 245–253. https://doi.org/10.1111/j.1541-0420.2005.00440.x
  3. Anderson, M. J., & Walsh, D. C. I. (2013). PERMANOVA, ANOSIM, and the Mantel test in the face of heterogeneous dispersions: What null hypothesis are you testing? Ecological Monographs, 83(4), 557–574. https://doi.org/10.1890/12-2010.1

Cytowania BibTeX

@article{anderson2001new, author={Anderson, Marti J.}, title={{A new method for non-parametric multivariate analysis of variance}}, journal={Austral Ecology}, year={2001}, volume={26}, number={1}, pages={32--46}, doi={10.1111/j.1442-9993.2001.01070.pp.x}}
@article{anderson2006distance, author={Anderson, Marti J.}, title={{Distance-based tests for homogeneity of multivariate dispersions}}, journal={Biometrics}, year={2006}, volume={62}, number={1}, pages={245--253}, doi={10.1111/j.1541-0420.2005.00440.x}}
@article{anderson2013permanova, author={Anderson, Marti J. and Walsh, Daniel C. I.}, title={{PERMANOVA, ANOSIM, and the Mantel test in the face of heterogeneous dispersions: What null hypothesis are you testing?}}, journal={Ecological Monographs}, year={2013}, volume={83}, number={4}, pages={557--574}, doi={10.1890/12-2010.1}}
R