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
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 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))
p1Wynik 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
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.
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
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()).
- 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/
- 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
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- 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
Statystyka w pracy z biologii i ochrony środowiska
Stanowiska, liczebność w pułapkach bez pseudoreplikacji, różnorodność gatunkowa, sezonowość w monitoringu i skala NEP: modele, efekty i kod R.
Czytaj →PoradnikMANOVA krok po kroku
Założenia, odległość Mahalanobisa i test M Boxa, ślad Pillaia z η²p, analizy następcze z korektą Holma i opis APA – na danych do pobrania z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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}}