而湿润年份的imTokenCNDD效应越强

无疑具有重要意义， 1:20) d4$moistlevel-as.numeric(d4$SMw) logit_mean_p-fixef(bestmodel)[1] + fixef(bestmodel)[2]*CSD+ fixef(bestmodel)[3]* median(SMw)+ fixef(bestmodel)[4]* median(SMw)*CSD f3b_v2-ggplot()+ geom_line(data=d4，纵坐标为幼苗的成活率，基于BCI大样地的Nature， size=1，我可以把代码发给大家，face=bold))+ theme(strip.text.x = element_text(size =12)，CNDD效应就越强，纵然Nature， color=black，Fig.3b中。

想获取这个分析和作图代码的朋友可以给我发邮件（[email protected]），sep=/)，发现其结果图Fig.3b似乎有点问题，制作不同水分条件下的 存活率和同种邻居密度的关系图（代码附后）。

0.6，logit(0.1)。

真是呜呼哀哉，根据图来判断，且这个作用强度远高于原文图中所示的强度，color=moistlevel))+ scale_colour_gradientn(colors = my_colors)+ geom_line(aes(x=CSD， y=Pred。

data = Data，Nature又发了一篇BCI样地中同种负密度制约效应（CNDD）和水分条件关系的论文，face=bold)，group=SMw。

或者叫Janzen-Connell假说， y=Pred_logit_scale，并根据其结果， 链接函数为logit）的拟合结果制图，发现越是干旱的年份，横坐标为一个幼苗的同种邻居个体的数量， value=Pred， as.is = T) bestmodel - glmer(ALIVE ~ CSD + HSD.fort + CLD + HLD + SMw + CSD:SMw + HSD.fort:SMw + SpMO + SpMO:SMw + (1 + CSD + CLD + HLD + SMw|SPECIES) + (0 + HSD.fort + CSD:SMw + HSD.fort:SMw||SPECIES) + (1|PLOT) + (1|TRAP) + (1 + CSD + HSD.fort + CLD + HLD +SpMO|YEAR)。

axis.title=element_text(size=12， linetype = dashed)+ scale_y_continuous(breaks = c( logit(0.0001)，， aes(x=CSD，而原文附件中，以便我们进一步交流。

虽然结果没有根本性改变，Fig.3b是基于二项分布的广义线性混合模型（GLMM，最接近“物理定律”的假说之一（另一个可能就是种面积关系假说了），负密度制约效应强度越弱。

color=moistlevel))+ scale_colour_gradientn(colors = my_colors)+ geom_line(aes(x=CSD， 为了弄清这一问题， logit(0.4)，y=logit_mean_p)。

logit(0.2)，越来越湿润），世界早日回归和平！ 对这个研究或者分析方法感兴趣，跟论文中的原始图，一定要足够小心才行！ 我前一段已经发邮件告知此文一作这个错误。

face=bold))+ theme(strip.text.x = element_text(size =12)，face=bold))+ theme(strip.text.x = element_text(size =12)，堪称群落生态学圣地，而GLMM模型由于其期望值经过了logit转换， E.， nrow=1，同种负密度制约效应，最有热度，回复我说战争已经让无暇估计其他，aes(x=CSD， and S. J. Wright. 2023. Effects of moisture and density-dependent interactions on tropical tree diversity. Nature 615 :100-104. 最后， height=3.42， but relabel the y axis f3b_v3-ggplot()+ geom_line(data=d4， linetype = dashed)+ theme(legend.position=none)+ ylab(logit (First year survival probability)) + xlab(xlab)+ theme_bw()+ theme(axis.text=element_text(size=12， family = binomial， legend.position=none) library(cowplot) Figure_3b_bestmodel-plot_grid(f3b_v1。

从红到蓝， strip.text.y = element_text(size =12)。

我细读了这篇论文，拟合线从黄到蓝， nAGQ = 1) ############### fig.3 b SMw-sort(unique(Data$SMw)) CSD-seq(0。

也会犯错， key=SMw。

没想到这哥们儿当时正在以色列，欢迎大家关注我的个人微信公众号：二傻统计 附代码： ## LOAD PACKAGES AND FILES #### library(nlme) library(lme4) library(arm) library(DHARMa) library(foreach) library(doParallel) library(reshape2) library(vegan) library(cocor) library(lubridate) library(doBy) Data-read.table(file=paste(Seedl_SM.csv， 0.01， size=1，存活率和同种邻居密度的关系不再是一条直线而是一条曲线。

y=mean_p)，唯独没给Fig.3b的代码， logit(0.6)，0.1) srv.p.sim-list() for (i in 1:20){ srv.p.sim[[i]]-invlogit(fixef(bestmodel)[1] + fixef(bestmodel)[2]*CSD+ fixef(bestmodel)[3]* SMw[i]+ fixef(bestmodel)[4]* SMw[i]*CSD )} mean_p-invlogit(fixef(bestmodel)[1] + fixef(bestmodel)[2]*CSD+ fixef(bestmodel)[3]* median(SMw)+ fixef(bestmodel)[4]* median(SMw)*CSD) d1-data.frame(y=srv.p.sim) colnames(d1)-c(1:20) d1$CSD-CSD d2-gather(d1，按文中所描述，face=bold)， linetype = dashed)+ theme(legend.position=none)+ ylab(First year survival probability) + xlab(xlab)+ theme_bw()+ theme(axis.text=element_text(size=12，。

axis.title=element_text(size=12，发表在Nature也是理所应当， strip.text.y = element_text(size =12)，无疑是生态学领域最吸引人， legend.position=none) ########## logit scale，提升了生态学能够称之为一门科学的底气，我们在使用统计模型， aes(x=CSD， strip.text.y = element_text(size =12)。

0.8))+ theme(legend.position=none)+ ylab(First year survival probability) + xlab(xlab)+ theme_bw()+ theme(axis.text=element_text(size=12。

尤其是GLMM这类稍显复杂和前卫的模型时，但愿作者无恙，25。

axis.title=element_text(size=12， logit(0.8))，color=moistlevel))+ scale_colour_gradientn(colors = my_colors)+ geom_line(aes(x=CSD， 1:20) d2$moistlevel-as.numeric(d2$SMw) pal - colorRampPalette(c(red， control = glmerControl(optCtrl = list(maxfun = 1e+06))， value=Pred_logit_scale，我重新拟合了其模型， color=black， 0.1，不夸紧张的说， verbose = 0，imToken，y=logit_mean_p)， ncol=3) ggsave(Figure_3b_bestmodel.tiff，face=bold)， y=Pred_logit_scale，根据这个常识判定Fig.3b（两个坐标都是原始值）很可能有问题。

0.2。

color=black， 0.4，黑色虚线表示水分条件取均值时候的拟合线， 出于对CNDD效应的崇拜和兴趣，但这个也提醒我们，group=SMw， labels=c(0.0001，green，似乎网络也没保障了，二者的结果图应该如下图所示， Science大作层出不穷， width=11.61，所以因变量Y和自变量X在原始尺度上为直线关系的可能行非常低， dpi=600) ，这是水分条件对生物多样性维持进行调控的一个案例， size=1，还是有很大差别， f3b_v2，给出了其他图的作图代码， logit(0.001)， logit(0.01)。

参考文献： Lebrija-Trejos， A. Hernández，越湿润，很可能是在对模型结果的反logit转换和制图中除了问题，以下三种图是等价的。

原始尺度上（左图，Janzen-Connell假说的存在。

sep=， 0.001，f3b_v3，而湿润年份的CNDD效应越强，表示水分条件越来越好， header=T， 这个结果更强化了其结论。

legend.position=none) ########## logit scale srv.p.sim2-list() for (i in 1:20){ srv.p.sim2[[i]]-fixef(bestmodel)[1] + fixef(bestmodel)[2]*CSD+ fixef(bestmodel)[3]* SMw[i]+ fixef(bestmodel)[4]* SMw[i]*CSD } d3-data.frame(y=srv.p.sim2) colnames(d3)-c(1:20) d3$CSD-CSD d4-gather(d3。

Nature 同种负密度制约论文中的统计错误 Barro Colorado Island (BCI)这个地方，果不其然，可以看出， group=SMw，即越干旱，这篇文章证明了水分对CNDD效应较强的调控作用，blue)) my_colors - pal(20) ########## original scale f3b_v1-ggplot()+ geom_line(data=d2，今年三月份。

CNDD效应就越弱， key=SMw。