执行物种spe1与环境变量env1的线性回归（由于此处示例中仅存在一个环境解释变量，故此回归为一元线性回归；当存在多解释变量时，即为多元线性回归），将回归模型拟合的物种丰度值存储在拟合值矩阵，物种丰度的残差存储在残差矩阵。

如此对物种组成矩阵中的所有物种重复相同的操作，最终获得包含所有物种丰度拟合值及残差的两个矩阵。

回归过程执行完毕后，使用PCA，在拟合值矩阵中提取约束的排序轴，并在残差值矩阵中提取非约束的轴。

RDA排序结果产生的约束轴的数量为min；如果同时获得非约束排序结果（即PCA），则非约束轴数量为min。其中，p为响应变量数量；m为定量解释变量数量以及定性解释变量（因子变量）的因子水平的自由度（即该变量因子水平数减1）；n为排序对象数量。

尽管tb-RDA的应用拓展了RDA的适用范围，但无论常规的RDA或tb-RDA，样方或物种的降维过程实质上均以欧氏距离为基础。有时我们可能期望关注非欧式距离样方或物种关系的RDA。

db-RDA将主坐标分析（PCoA）计算的样方得分矩阵应用在RDA中，其好处是可以基于任意一种距离测度（例如Bray-curtis距离等，而不再仅仅局限于欧氏距离）进行RDA排序，因此db-RDA在生态学统计分析中被广泛使用。