环境考古学中的去趋势对应分析：一个评述

《Environmental Archaeology》：Detrended Correspondence Analysis in Environmental Archaeology: A Critique

　　

摘要翻译：环境考古学者常采用对应分析（Correspondence Analysis, CA）来检测并揭示交叉列联表中的数据模式。在数据存在显著潜在梯度的情况下，分析结果会呈现拱形或马蹄形曲线。有观点认为这种拱形纯属数学假象，由此发展出去趋势对应分析（Detrended Correspondence Analysis, DCA）。DCA在生态学中应用普遍，也经常被环境考古学者使用。然而，该方法在更广泛的文献中并非没有争议，但在环境考古学领域内却鲜有讨论。本文将更广泛的批评置于考古环境背景中加以审视。本文概述了CA与DCA的基本原理，并在测试数据集上比较了两种技术的结果。本文主张，选择DCA不应未经深思，其分析结果往往较难解释。文章最后呼吁在多变量分析的运用与报告上应保持清晰透明，并最好同时提供所分析的数据。

论文解读：环境考古学中的去趋势对应分析：评述与反思

一、研究背景与问题

对应分析（Correspondence Analysis, CA）是一种探索性多变量统计技术，旨在识别数据表中潜在的主要结构模式。其结果通常以散点图或“地图”形式呈现，使案例与变量之间的关系可视化。在环境考古学研究中，CA常被用于分析诸如种子遗存、动物骨骼、木炭碎块等计数数据，以揭示样本组成随空间或时间变化的规律。当数据中存在较强的潜在梯度（如时间、空间或环境梯度）时，CA的散点图会出现特征性的“拱形”或“马蹄形”曲线。1970年代，Hill和Gauch将这种拱形视为“纯数学假象”，并提出了去趋势对应分析（Detrended Correspondence Analysis, DCA）以消除该假象。此后，DCA在生态学中广泛流行，并被环境考古学界频繁引用。然而，DCA在更广泛的统计学和生态学文献中一直存在争议：Greenacre等人指出去趋势过程可能引入新的假象，Baxter则认为在考古排序背景下马蹄形效应是CA的自然结果，不必刻意消除。尽管存在这些批评，环境考古学领域内对DCA的讨论却十分缺乏，多数研究者在应用DCA时并未说明理由。为此，本研究在环境考古学背景下对DCA进行实证性批判评价，比较其与简单CA在同一测试数据集上的表现，并探讨该方法在考古应用中的适用性与解释问题。

二、研究内容与主要方法

研究人员以Panagiotakopulu和Buchan于2015年发表的格陵兰遗址无脊椎动物遗存数据为案例。该数据集包含来自两个遗址（Tasiusaq和Qorlortup）各三种环境（灌丛、草地、沼泽）的六个样本，共33个物种，原始数据已由作者公开，便于重分析。研究人员首先使用R软件中的ca包对数据执行简单CA，获得惯量分解表和样本/物种坐标；随后使用vegan包中的decorana命令执行DCA。为验证DCA对行列方向的敏感性，研究人员还将案例（样本）置于行或列的不同排列方式进行了对比分析。此外，研究人员还生成一个50案例×50变量的模拟数据集，以演示梯度效应下CA的拱形和DCA的去趋势机制。方法的选取和解释紧密结合了CA的质量（qlt）、相对贡献（cor）和惯量（inr）等指标，并与DCA结果进行系统比较。

三、研究结果

（一）简单CA的结果

对格陵兰无脊椎动物数据集的简单CA显示，总惯量为0.804，第一轴解释了37.5%的惯量，第二轴解释了23.0%，前两轴合计约60%。惯量递减较为平缓，第三轴仍可能包含有意义的信息。从质量指标看，Tasiusaq的三个样本在二维地图上的表示质量（303‰～378‰）低于Qorlortup的样本（470‰以上），但没有特别差的点。第一轴主要对比Tasiusaq草地样本与灌丛样本的物种组成，如物种sp2、sp11、sp15、sp32与灌丛样本关联，而sp25、sp26与草地样本关联；Qorlortup样本在第一轴上得分接近零，相对贡献很低。第二轴主要对比Tasiusaq草地样本与Qorlortup灌丛样本，其中sp11、sp22与前者相关，sp5、sp13、sp14、sp19与后者相关。两个遗址的样本在图上各自聚为一组，但相同环境类型（如两个灌丛样本）并未表现出更强的相似性。总体来看，该数据集呈现出一定结构，但没有强有力的证据表明存在潜在的梯度。

（二）模拟数据集的CA与拱形效应

在包含50个案例和50个变量的模拟数据中，存在一个强时间梯度。CA的第一轴解释了25.2%的惯量，第二轴解释了20.4%，第一轴与第二轴的散点图呈现明显的拱形曲线。沿第一轴从左到右，变量从早到晚排列，案例也相应分布。第二轴则对比了具有大量中期变量的案例与少量这类变量的案例。第一轴与第三轴的图则呈S形。这一结果说明拱形是CA在梯度数据中的自然数学产物，但仍然可以基于原始数据对轴进行有意义的解释。

（三）DCA的结果

在“正确”的DCA分析中（样本为行、物种为列），第一轴上的样本和物种排序与简单CA完全相同，而第二轴因去趋势处理而有较大差异。简单CA中两个遗址的样本在空间上分离，而DCA中两个遗址的样本不再分离，位置交错，使遗址间的区分变得模糊。此外，DCA的第二轴突出了一些稀有物种的分布模式，例如sp6的三个个体全部出现在Qor.M样本中，sp29的六个个体中三个出现在该样本，sp30的45个个体中36个（80%）出现在该样本。相反，Qor.M中没有任何sp3和sp16的个体，sp24仅出现1个（总数5）。这些稀有物种的分布是否具有生态学意义，需要分析者结合专业知识判断。

（四）DCA对行列方向的敏感性

研究发现，DCA不像简单CA那样将行与列对称处理。如果错误地将物种置于行、样本置于列，DCA的结果会发生实质性改变。在“不正确”的DCA中，Qor.S和Qor.G被显示为彼此更相似，而“正确”的DCA则显示Qor.S与Qor.M更相似。这种差异对于小样本数据集尤为明显，说明DCA的应用必须严格指定案例和变量的行列位置，否则会导致不同的结论。

四、讨论与结论

本研究对DCA在环境考古学中的使用提出了批判性反思。通过实证对比，研究人员发现DCA的去趋势处理虽然消除了拱形，但也改变了全局几何关系，使得样本间的距离和分组关系与简单CA产生明显差异。DCA不提供惯量分解表等诊断指标，分析者必须返回原始数据以解释轴的意义，这在很大程度上增加了解释的难度。研究人员强调，是否选择DCA应经过慎重考虑。建议研究人员首先执行简单CA，判断是否存在因潜在梯度导致的马蹄形曲线；如果不存在，则无需去趋势。其次，应利用惯量分解表辅助解释结果。如果简单CA已能呈现可解释的模式，则无需使用DCA。若确实需使用DCA，则必须与简单CA和原始数据进行比较，评估DCA是否提供了新的、可解释的信息。此外，报告时应明确说明分析单位、变量类型、预处理步骤、所用软件及选项，并尽可能提供分析所用的数据文件（如.csv格式），以便他人复现和进一步分析。论文的核心意义在于呼吁环境考古学的研究人员更加审慎地选择统计方法，避免盲目跟从生态学惯例，并在报告多变量分析时提高透明度和可重复性。该论文发表于《Environmental Archaeology》。