示例6：枝角类

在这里，我们使用脚本MixSIAR版本。对于使用图形用户界面版本，请参阅MixSIAR手册。有关如何在脚本中使用MixSIAR的详细演练，请参阅狼的例子，提供了更多的注释和解释。

为了干净、可运行右脚本，查看mixsiar_script_cladocera公司。R（右）在中示例脚本MixSIAR软件包安装的文件夹：

枝角类示例

枝角类示例来自Galloway等人，2014年并将MixSIAR应用于22维脂肪酸数据集。这里的14个混合数据点是芬兰6个湖泊在2个季节内的枝角类（水蚤）脂肪酸剖面。除了高维性之外，与此分析的另一个不同之处是，我们分别拟合了每个混合数据点，因为没有明确的协变量结构（有些站点有2个季节，有些站点有1个季节，一些站点在同一个湖泊中）。我们通过创建“id”列并将“id”视为固定效果来实现这一点。

22种生物示踪剂（碳14.0、16.0、16.1w9、16.1w 7、16.2w 4、16.3w 3、16.4w 3、17.0、18.0、18.1w 9、18.1w7、18.2w6、18.3w 6、18.3 w3、18.4w 3，18.5w3、20.0、22.0、20.4w 6、20.5w 3、22.6w3，BrFA）
混合数据点独立匹配（仅“过程错误”，MixSIR）
源数据作为手段和标准

在这里，我们拟合了MixSIR的“过程错误”模型，当我们只有一个混合数据点（或者在这里，每个固定效果只有一个数据点）时，我们必须这样做。在只有一个数据点的情况下，没有信息来估计额外的混合方差项，因此我们必须基于源的方差假设一个固定的方差（请参见摩尔和塞门斯2008).

这里我们将“id”视为一个固定效应，这将分别估计每个混合数据点的饮食（样本大小为1）。如果您认为站点/季节等之间存在明显差异，但每个站点/季节只有1或2个点（即，您没有足够的数据来估计站点/季节影响），那么这样做是有意义的。如果您对站点/季节效果感兴趣，则需要在每个站点/季节内进行复制，然后最好将站点/季节作为固定或随机效果进行拟合。

脂肪酸数据大大增加了生物示踪剂的数量，超过了典型的两种稳定同位素d13C和d15N，这使得混合模型有能力解析更多来源。然而，我们警告说，使用脂肪酸数据并不是解决“未定”问题的灵丹妙药（#sources>#biotracers+1）。随着消息来源数量的增加\（α=1）具有更大的影响，即使生物示踪剂比来源更多。请参阅枝角类示例之前有7个来源和22个生物示踪剂。

加载MixSIAR包

图书馆（MixSIAR）

加载混合物数据

看到了吗？load_mix_data了解详细信息。

枝角类消费者数据有1个协变量(因子=“id”)，我们将其作为固定效果进行拟合(fac_random=假). “站点”未嵌套在另一个因子中(fac_nested=假). 没有持续的影响(cont_effects=空).

#用文件的路径替换system.file调用
混合文件名<- system.file（系统文件）(“外部数据”,“cladocera_consumer.csv”,包装= “MixSIAR”)

混合<- 加载混合数据(文件名=mix.filename，
                     等名称（_N）=c（c）(“c14.0”,“c16.0”,“c16.1w9”,“c16.1w7”,“c16.2w4”,
                                 “c16.3w3”,“c16.4w3”,“c17.0”,“c18.0”,“c18.1w9”,
                                 “c18.1w7”,“c18.2w6”,“c18.3w6”,“c18.3w3”,“c18.4w3”,
                                 “c18.5w3”,“c20.0”,“c22.0”,“c20.4w6”,“c20.5w3”,
                                 “c22.6w3”,“BrFA”),
                     因素=“id”,
                     传真（_R）=错误的,
                     工厂_测试=错误的,
                     连续效果（_E）=无效)

加载源数据

看到了吗？load_source_data了解详细信息。

我们在源数据中没有任何固定/随机/连续效应或浓度依赖性(source_factors=空,conc_dep=错误). 我们只有源平均数、SD和样本大小，而不是原始的“原始”数据(data_type=“表示”).

#用文件的路径替换system.file调用
源文件名<- system.file（系统文件）(“外部数据”,“cladocera_sources.csv”,包装= “MixSIAR”)

源<- 加载源数据(文件名=源文件名，
                           源因素（_F）=无效,
                           conc_dep=错误的,
                           数据类型=“表示”,
混合）

负载识别数据

看到了吗？load_discr_data了解详细信息。

请注意Galloway等人，2014年进行喂食试验，创建“资源库”。在混合模型中，来源实际上是消费者对每个来源的独家供给。这使得他们可以将区分设置为0（参见isopod_discrimination.csv).

#用文件的路径替换system.file调用
光盘文件名<- system.file（系统文件）(“外部数据”,“枝角类分类.csv”,包装= “MixSIAR”)

光盘<- 加载discr_data(文件名=discr.filename，混合）

绘图数据

不要使用绘图_数据函数！当有2个以上的生物示踪剂时，MixSIAR目前绘制每一个成对组合。这里，这意味着\（｛22\选择2｝=231\）生成绘图。哎呀！未来，MixSIAR将为这些情况提供非度量多维缩放（NMDS）图。

打印之前

定义先验值，然后使用“plot_press”绘制

红色=您之前的
深灰色=“无信息”/多面手（alpha=1）
浅灰色=“无信息”杰弗里先验（alpha=1/n.sources）

#默认“UNINFORMATIVE”/GENERALIST previor（alpha=1）
绘图_之前(字母优先=1，源）

请注意7个来源之前的“无信息”看起来信息量越来越大……想象一下，如果有15个来源，它会是什么样子。

编写JAGS模型文件

在这里，我们适合“仅处理”错误MixSIR模型，当我们只有一个混合数据点（或者在这里，每个固定效果只有一个数据点）时，我们必须这样做。在只有一个数据点的情况下，没有信息来估计额外的混合方差项，因此我们必须假设基于源方差的固定方差。“剩余*过程”、“仅剩余”和“仅过程”之间的差异在股票和股票（2016年）.

#编写JAGS模型文件
模型文件名<-“MixSIAR_model.txt”
resid_err（重置错误）<- 错误的
进程错误（_E）<- 真的
写入JAGS模型（模型文件名，剩余错误，进程错误，混合，源）

运行模型

首次使用run=“测试”检查1）数据是否正确加载，2）模型是否正确指定：

锯齿状的.1<- 运行模型(运行=“测试”，混合，来源，描述，型号文件名）

测试运行正常后，将MCMC运行增加到可能收敛的值：

锯齿状的.1<- 运行模型(运行=“正常”，mix，source，discr，model_filename）

分析诊断和输出

看到了吗？output_JAGS了解详细信息。

输出_ JAGS（参差不齐.1、混合、源、输出选项）

由于我们将“id”作为一个固定效应进行拟合，因此在总体人口水平上没有对饮食的推断（没有p.global）。您应该看到所有14个混合物样本的后验图(标识7,标识14).