📊 statistics

How many unseen species are in multiple areas?

Diese Arbeit stellt ein neuartiges bayessches nichtparametrisches Rahmenwerk vor, das die mathematisch komplexe Schätzung von unentdeckten und gemeinsamen Arten in heterogenen Populationen über zwei Gebiete hinweg ermöglicht und dabei sowohl theoretische Verteilungsergebnisse als auch Vorhersagen für zukünftige Stichproben liefert.

Ursprüngliche Autoren: Alessandro Colombi, Raffaele Argiento, Federico Camerlenghi, Lucia Paci

Veröffentlicht 2026-03-24

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Alessandro Colombi, Raffaele Argiento, Federico Camerlenghi, Lucia Paci

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: Wie viele Arten gibt es eigentlich?

Stellen Sie sich vor, Sie sind ein Entdecker in einem riesigen, unbekannten Wald. Ihr Ziel ist es, herauszufinden, wie viele verschiedene Tierarten dort leben. Aber Sie können unmöglich den ganzen Wald durchsuchen. Sie haben nur Zeit und Geld, um ein kleines Stück davon zu untersuchen.

In der Wissenschaft nennt man das „Artenentdeckung". Das Problem ist: Wenn Sie nur einen kleinen Bereich abgehen, finden Sie vielleicht 10 Vogelarten. Aber wie viele gibt es wirklich im ganzen Wald? Und wie viele neue Arten würden Sie finden, wenn Sie noch ein bisschen weiter wandern?

Bisher gab es gute Methoden, um das für einen Wald zu berechnen. Aber was ist, wenn Sie zwei verschiedene Wälder vergleichen wollen? Zum Beispiel einen Wald in der Stadt und einen im Grünen?

Das neue Problem: Zwei Wälder, eine gemeinsame Geschichte

Das ist der Kern dieser neuen Forschung. Die Wissenschaftler (Colombi, Argiento, Camerlenghi und Paci) haben sich gefragt:

Welche Vögel leben in beiden Wäldern? (Die „gemeinsamen" Arten).
Welche Vögel gibt es nur im Stadt-Wald?
Welche nur im Grünen-Wald?
Und wie viele neue Arten werden wir finden, wenn wir in beide Wälder noch ein paar Schritte weiter gehen?

Das ist mathematisch extrem schwierig, weil die beiden Wälder nicht völlig unabhängig voneinander sind. Sie teilen sich eine Geschichte (vielleicht sind sie durch einen Fluss verbunden), aber sie haben auch ihre eigenen Besonderheiten.

Die Lösung: Ein magischer „Wasser-Eimer" (Das Vec-FDP-Modell)

Die Autoren haben eine neue mathematische Methode entwickelt, die sie Vec-FDP nennen. Um das zu verstehen, stellen Sie sich folgendes vor:

Stellen Sie sich vor, es gibt einen riesigen, unsichtbaren Wasser-Eimer (das ist die Gesamtmenge aller möglichen Tierarten, die es theoretisch geben könnte).

In diesem Eimer schwimmen viele verschiedene Fischsorten (die Arten).
Jeder Fisch hat eine bestimmte Farbe und Größe.

Die neue Methode geht davon aus, dass beide Wälder aus demselben Eimer schöpfen.

Der Eimer ist begrenzt: Es gibt eine feste, aber unbekannte Anzahl an Fischarten im Eimer (nicht unendlich viele).
Die Schöpfkellen sind unterschiedlich: Wenn Sie in Wald A schöpfen, landen vielleicht mehr rote Fische in Ihrem Korb. Wenn Sie in Wald B schöpfen, landen mehr blaue Fische. Aber beide schöpfen aus demselben Vorrat.
Die Vorhersage: Das Besondere an dieser Methode ist, dass sie nicht nur schätzt, wie viele Fische jetzt im Korb sind, sondern sie kann vorhersagen, wie viele neue Fischarten Sie finden werden, wenn Sie morgen noch einmal schöpfen.

Warum ist das so besonders?

Bisherige Methoden waren wie ein Ein-Schritt-Vorhersage-Tool. Sie sagten: „Wenn Sie genau einen weiteren Schritt machen, finden Sie wahrscheinlich X neue Arten."
Die neue Methode ist wie ein Kristallkugel-Tool für jede Distanz. Sie können fragen:

„Was passiert, wenn wir 10 Schritte gehen?"
„Was passiert, wenn wir 1000 Schritte gehen?"
„Wie viele gemeinsame Arten finden wir, wenn wir in beiden Wäldern gleichzeitig weiter suchen?"

Das ist wie beim Kochen: Früher sagten die alten Rezepte nur: „Wenn Sie noch eine Prise Salz hinzufügen, schmeckt es besser." Die neue Methode sagt: „Wenn Sie 10 Prisen hinzufügen, wird es zu salzig. Aber wenn Sie 5 Prisen hinzufügen, ist es perfekt. Und hier ist die genaue Rechnung, wie sich das auf den Geschmack in beiden Töpfen auswirkt."

Ein echtes Beispiel: Ameisen in Triest

Um ihre Methode zu testen, haben die Forscher echte Daten von Ameisen in Triest (Italien) analysiert.

Ort 1: Ein Park mitten in der Stadt.
Ort 2: Ein Wald am Stadtrand.

Sie haben Tausende von Ameisen gezählt. Die Methode half ihnen zu verstehen:

Wie viele Ameisenarten teilen sich diese beiden Orte?
Wie viele Ameisenarten gibt es nur im Wald?
Wenn sie noch mehr Fallen aufstellen würden, wie viele neue Arten würden sie wahrscheinlich finden?

Das Ergebnis war beeindruckend: Ihre Methode war genauer als die alten statistischen Tricks und rechnet extrem schnell, ohne dass man komplizierte Computer-Simulationen braucht.

Warum ist das wichtig für uns?

Dies ist nicht nur für Ameisen-Forscher wichtig. Diese Methode kann überall eingesetzt werden, wo man „Dinge" zählt, die man nicht alle sehen kann:

In der IT: Wie viele Fehler (Bugs) stecken noch in einem Computerprogramm?
In der Medizin: Wie viele verschiedene Virenstämme gibt es noch, die wir nicht kennen?
In der Linguistik: Wie viele Wörter gibt es in einer Sprache, die noch niemand benutzt hat?

Zusammenfassend:
Die Autoren haben einen neuen, cleveren mathematischen Kompass gebaut. Er hilft uns nicht nur zu zählen, was wir schon gesehen haben, sondern sagt uns genau, wie viel wir noch entdecken werden, wenn wir weiter suchen – und das sogar, wenn wir zwei verschiedene Orte gleichzeitig untersuchen. Das spart Zeit, Geld und hilft uns, die Welt besser zu verstehen.

1. Problemstellung und Motivation

In der Ökologie und verwandten Disziplinen (z. B. Genomik, Textanalyse) ist die Schätzung der Artenvielfalt (Biodiversität) und die Vorhersage unentdeckter Arten ein zentrales Anliegen. Während statistische Methoden für homogene Populationen (ein einzelnes Gebiet) in der nichtparametrischen Bayesschen Literatur gut etabliert sind (z. B. durch Gibbs-artige Priors wie den Dirichlet-Prozess), gibt es erhebliche Lücken bei heterogenen Populationen, die aus mehreren Gebieten stammen.

Das Hauptproblem liegt in der mathematischen Komplexität, die entsteht, wenn man Daten aus zwei oder mehr Bereichen analysiert. Im Gegensatz zum Ein-Gebiet-Fall müssen hier nicht nur die Gesamtzahl der Arten und die lokalen Artenzahlen geschätzt werden, sondern auch die Anzahl der gemeinsamen Arten (Shared Species), die in beiden Gebieten vorkommen.

Herausforderung: Die Anzahl der unbekannten Größen wächst exponentiell ( $2^d - 1$ für $d$ Gebiete). Für $d=2$ gibt es drei unbekannte Kategorien: Arten, die nur in Gebiet 1 vorkommen, nur in Gebiet 2, und Arten, die in beiden vorkommen.
Limitierung bestehender Ansätze: Frequentistische Methoden (z. B. von Chao et al.) liefern oft nur Schätzer für die Artenvielfalt oder Vorhersagen für den nächsten Schritt (one-step-ahead). Bayessche Ansätze für mehrere Gebiete basieren häufig auf rechenintensiven MCMC-Simulationen und bieten selten geschlossene Formeln für Vorhersagen über mehrere Schritte hinaus (m-steps-ahead).

2. Methodik: Vektor endlicher Dirichlet-Prozesse (Vec-FDP)

Die Autoren schlagen einen neuen Bayesschen nichtparametrischen Rahmen vor, der auf dem Vektor endlicher Dirichlet-Prozesse (Vec-FDP) basiert, wie er kürzlich von Colombi et al. (2024) eingeführt wurde.

Modellannahmen:
- Es werden zwei Gebiete ( $j=1, 2$ ) betrachtet, die durch teilweise austauschbare Sequenzen von Beobachtungen beschrieben werden.
- Die zugrunde liegenden Wahrscheinlichkeitsmaße $(P_1, P_2)$ werden als Vektor abhängiger zufälliger Wahrscheinlichkeitsmaße modelliert.
- Finite Artenzahl: Im Gegensatz zu klassischen Dirichlet-Prozessen, die eine unendliche Artenzahl zulassen, nimmt das Vec-FDP-Modell eine endliche, aber zufällige Anzahl von Arten $M$ an.
- Gemeinsame Atome: Beide Gebiete teilen sich dieselbe Menge von $M$ Arten (Atomen), wobei die relativen Häufigkeiten (Gewichte $w_{j,m}$ ) zwischen den Gebieten variieren können. Dies erlaubt sowohl gemeinsame als auch gebietsspezifische Arten in endlichen Stichproben.
- Prior: Die Gewichte folgen symmetrischen Dirichlet-Verteilungen, und die Anzahl der Arten $M$ folgt einer verschobenen Poisson-Verteilung ( $Pois_1(\Lambda)$ ).
Theoretische Herleitung:
- Die Autoren leiten die partielle austauschbare Partitionswahrscheinlichkeitsfunktion (pEPPF) ab, die die Wahrscheinlichkeit einer bestimmten Aufteilung der Beobachtungen auf Arten beschreibt.
- Ein zentrales Element sind die Koeffizienten $V_{n_1, n_2}^r$ , die als unendliche Summen definiert sind, aber durch geschlossene Ausdrücke und Rekursionsformeln effizient berechnet werden können.
- Es werden geschlossene Formeln für die Posterior-Verteilungen abgeleitet, die keine numerische Integration oder MCMC-Simulation erfordern.

3. Schlüsselbeiträge und Ergebnisse

A. In-Sample-Analyse (Analyse der beobachteten Daten)

Gemeinsame Verteilung: Das Paper leitet erstmals die gemeinsame Verteilung der lokalen Artenzahlen ( $K_{1,n_1}, K_{2,n_2}$ ) und der globalen Artenzahl ( $K_{n_1,n_2}$ ) sowie der Anzahl der gemeinsamen Arten ( $S_{n_1,n_2}$ ) ab.
Korrelation: Es wird eine geschlossene Formel für die Korrelation zwischen den beiden Wahrscheinlichkeitsmaßen $P_1$ und $P_2$ hergeleitet. Diese hängt von den Parametern $\gamma_1, \gamma_2$ (Homogenitätsparameter) und der Verteilung von $M$ ab. Große $\gamma$ -Werte deuten auf sehr ähnliche Gebiete hin.

B. Out-of-Sample-Vorhersage (Vorhersage zukünftiger Stichproben)

Dies ist der Hauptbeitrag des Papers. Die Autoren liefern Vorhersagen für zusätzliche Stichproben der Größe $m_1$ und $m_2$ :

Neue Arten: Geschlossene Formeln für die erwartete Anzahl neuer lokaler Arten ( $K^{(n_j)}_{j,m_j}$ ), neuer globaler Arten ( $K^{(n_1,n_2)}_{m_1,m_2}$ ) und neuer gemeinsamer Arten ( $S^{(n_1,n_2)}_{m_1,m_2}$ ).
m-Schritt-Vorhersage: Im Gegensatz zu frequentistischen Good-Turing-Erweiterungen, die oft auf einen Schritt beschränkt sind, ermöglicht das Modell Vorhersagen für beliebige zukünftige Stichprobengrößen ( $m \ge 1$ ).
Stichprobengrößenbestimmung: Die Methode kann genutzt werden, um zu bestimmen, wie viele zusätzliche Proben notwendig sind, um eine bestimmte Wahrscheinlichkeit für das Entdecken neuer (gemeinsamer) Arten zu erreichen.

C. Schätzung der Parameter

Zwei Strategien zur Schätzung der Hyperparameter $\gamma$ und $\Lambda$ werden vorgestellt:

Bayes I: Maximierung der marginalen Likelihood (Plug-in-Ansatz).
Bayes II: Eine diversitätsbasierte Strategie, die die erwarteten Simpson- und Morisita-Indizes nutzt. Diese Methode ist rechnerisch sehr effizient und unabhängig von der Stichprobengröße.

4. Evaluierung und Anwendungsfall

Simulationsstudie:
- Die Methode wurde unter verschiedenen Szenarien (Dirichlet-, Geometrische- und Zipf-Gewichte) sowie bei Misspezifikation getestet.
- Ergebnis: Die vorgeschlagenen Bayes-Schätzer (insbesondere Bayes I und II) übertreffen oder sind mit Benchmarks (unabhängige Modelle, gepoolte Modelle) vergleichbar, bieten aber den entscheidenden Vorteil einer konsistenten gemeinsamen Vorhersage aller relevanten Größen (lokal, global, gemeinsam).
- Recheneffizienz: Die Berechnung der Vorhersagen erfolgt in unter einer Sekunde dank der geschlossenen Formeln, was deutlich schneller ist als MCMC-basierte Ansätze.
Reale Datenanalyse (Ameisen in Triest):
- Anwendung auf Ameisenpopulationen aus zwei Parks in Triest (ein semi-natürlicher Wald und ein Stadtpark).
- Nach Ausschluss dominanter Arten wurden $n_1=934$ und $n_2=2235$ Beobachtungen analysiert.
- Ergebnis: Die Modelle zeigten, dass die Wahrscheinlichkeit, in einer einzelnen zusätzlichen Stichprobe eine neue Art zu finden, bereits sehr gering ist (Sättigungseffekt). Durch die m-Schritt-Vorhersage (Heatmaps) konnte jedoch gezeigt werden, welche zusätzlichen Stichprobengrößen nötig wären, um mit hoher Wahrscheinlichkeit neue Arten zu entdecken. Dies liefert ein praktisches Werkzeug für das Sampling-Design.

5. Bedeutung und Fazit

Das Paper schließt eine signifikante Lücke in der Bayesschen nichtparametrischen Statistik für Mehr-Gebiet-Studien.

Theoretischer Durchbruch: Die Ableitung von geschlossenen Formeln für die Verteilung von gemeinsamen und geteilten Arten in einem abhängigen Rahmen ist ein wichtiger theoretischer Fortschritt.
Praktischer Nutzen: Die Fähigkeit, Vorhersagen für beliebige zukünftige Stichprobengrößen ( $m$ -steps-ahead) zu treffen, ohne auf rechenintensive Simulationen zurückzugreifen, macht die Methode für ökologische Studien und andere Anwendungen (z. B. Software-Testing, Genomik) hochgradig praktikabel.
Erweiterbarkeit: Obwohl das Paper sich auf zwei Gebiete konzentriert, legt es den Grundstein für Erweiterungen auf $d > 2$ Gebiete, wobei die kombinatorische Komplexität als zukünftige Herausforderung identifiziert wird.

Zusammenfassend bietet die vorgestellte Methode einen robusten, effizienten und theoretisch fundierten Rahmen für die Schätzung und Vorhersage von Artenvielfalt in heterogenen Umgebungen.