如果我们有一个或多个的解释变量，要分析一个响应变量，可以用广义的回归模型，包括传统的回归模型和方差分析、协方差分析。这类分析统称为一般线性模型（general linear model），最近在一般线性模型基础上，发展出了广义线性模型（generalizedlinear models, GLM）和广义可加模型(generalized additivemodels, GAM)。有关这回归模型更多的信息，我们将在第8章讨论。
如果有多个响应变量需要分析，解释变量一个或多个，我们可以通过直接梯度排序来分析解释变量与多个响应变量（群落学里通常是物种）之间的关系。常用的有冗余分析（RDA）和典范对应分析（CCA）等排序技术。
你的问题里面氮源算是解释变量，产生的菌种属于相应变量。如果你测定的菌种指标为多个，我感觉你就用canoco做一个CCA应该就行了（还有，这种方式应用在生态上只是较多而已，但用在你的实验上应该没什么问题）。CCA是首先针对你的菌种进行排序，然后再与氮源进行线性结合；当然，如果你测定的菌种指标只有一个，那就用SPSS之类的简单软件分别进行线性回归，然后看哪个拟合的结果（r）好就行了。祝早日发表。
也做了挺多次RDA分析，自己现在小结一下RDA分析流程：
就我个人而言，虚线前面都是不太经历的步骤，我一般不会主动删去样品的环境信息，因为我接触的菌群这块本来就没有什么多余的环境信息-_-||，所以我的重点放在怎么去除多余OTU或菌群上面。
一般而言，我首先会做一次差异分析，挑选有差异的OTU或菌群进行展示（phyloseq推荐使用DESeq2和edgeR，详见 Waste Not, Want Not: Why Rarefying Microbiome Data Is Inadmissible ），这里不是重点不在赘述。
但是差异OTU或菌群还有可能太多，RDA呈现出来密密麻麻的，调也得调好久，最后还是好不美观。
偶然间，发现envfit不仅可以评估环境因子的显著性，也可以评估物种的相关性和显著性，这为我们进一步去取冗余物种提供了条件，值得记录下来学习。
示例：
