嘿，我来帮你一步步解决这些问题，从R代码实现到书籍推荐再到通用方法，都给你讲明白！

你提到Mantel检验因空间自相关不太适用，那**多元回归模型（MRM）**是非常合适的替代方案——它能直接把多个预测矩阵（空间距离、城市二元距离）和响应矩阵（物种组成相异性）关联起来，同时控制不同因子的影响，完美匹配你的需求。

这里用ecodist包来实现，这个包专门针对生态领域的矩阵分析，新手也容易上手：

步骤1：准备数据 #

首先确保你有三个维度一致的对称矩阵：

• space_dist：18个样地的空间距离矩阵（比如欧氏距离）
• city_dist：城市二元距离矩阵（比如两个样地同属城市则为0，不同则为1，可根据你的研究定义调整，核心是反映样地是否属于同一城市的差异）
• species_dist：物种组成相异性矩阵（比如用Bray-Curtis、Jaccard指数计算）

步骤2：安装并加载包 #

# 首次运行时安装包
install.packages("ecodist")
# 加载包
library(ecodist)

步骤3：运行MRM模型 #

# 构建模型，nperm是置换检验次数，用于计算显著性
mrm_result <- MRM(species_dist ~ space_dist + city_dist, nperm = 999)

步骤4：查看结果 #

summary(mrm_result)

结果里会显示每个预测矩阵的回归系数、t值和置换检验的p值：

• 如果space_dist的p值显著，说明在控制城市因子后，空间距离仍和物种组成相异性显著相关；
• city_dist的结果则反映城市分组对物种相异性的独立影响。

因为你从未接触过矩阵操作，推荐几本入门友好、带具体R代码的书：

• 《R语言实战（第2版）》：R入门的经典教材，有专门章节讲解矩阵、数组的基础操作（创建、索引、运算等），例子都是实际场景，能快速帮你掌握矩阵核心用法，完全适合零基础。
• 《R数据科学》：虽然不是专门讲矩阵，但它对R核心数据结构（包括矩阵）的讲解非常清晰，结合数据处理的实际案例，让你能理解矩阵在数据分析中的作用，上手很快。
• 《线性代数及其应用（R语言版）》：如果你想同时掌握矩阵的数学原理和R实现，这本书把线性代数基础概念（矩阵乘法、转置、特征值等）和对应的R代码结合起来，循序渐进，能帮你打好扎实的矩阵基础。

根据不同研究需求，有几种常用方法：

• 偏Mantel检验：当你需要控制单个干扰因子（比如城市）时，偏Mantel检验能计算空间距离和物种相异性的相关性，同时排除城市因子的影响。代码示例：

  # 偏Mantel检验，控制city_dist的影响
  partial_mantel <- mantel.partial(space_dist, species_dist, city_dist, nperm = 999)
  summary(partial_mantel)
  

• MRM多元回归模型：即第一部分的方法，适合同时控制多个因子（比如除了城市，还可以加入环境因子矩阵），能更全面地解析不同因子对物种相异性的贡献。
• 转化为长格式的线性模型：把距离矩阵转化为长数据框（比如用reshape2包的melt()函数），然后用线性混合模型控制样地对的非独立性，但这种方法相对复杂，适合有一定基础后尝试。
• 传统Mantel检验（谨慎使用）：如果数据空间自相关不严重，或仅做初步探索，传统Mantel检验依然可用，但要注意结果的解释局限性。代码：

  mantel_result <- mantel(space_dist, species_dist, nperm = 999)
  summary(mantel_result)
  

内容的提问来源于stack exchange，提问作者KatherineD