Statistical and structural bias in birth-death models

Diese Studie identifiziert und korrigiert statistische sowie strukturelle Verzerrungen bei der Schätzung von Speziation- und Aussterberaten aus phylogenetischen Bäumen, indem sie neue, bias-minimierende Schätzer entwickelt, die die Genauigkeit diverser Diversifikationsparameter signifikant verbessern.

Das Wesentliche

Titel: Warum unsere Schätzungen von Artentstehung oft danebenliegen – und wie wir sie korrigieren

Stellen Sie sich vor, Sie sind ein Detektiv in der Welt der Evolution. Ihr Job ist es, herauszufinden, wie schnell sich Tier- und Pflanzenarten neu bilden (Speziation) und wie schnell sie wieder aussterben (Extinktion). Dafür nutzen Wissenschaftler sogenannte „Stammbäume" (Phylogenien), die wie riesige Familienbäume aussehen.

Das Problem? Die Werkzeuge, mit denen wir diese Geschwindigkeiten berechnen, haben einen kleinen, aber lästigen Fehler. Sie neigen dazu, die Zahlen zu verzerren, besonders wenn wir nur kleine Familienbäume betrachten.

In diesem Papier untersuchen die Autoren Jeremy Beaulieu und Brian O'Meara genau diese Fehlerquellen und bieten eine Lösung an. Hier ist die Erklärung in einfachen Worten:

1. Das Problem mit den „Kirschbäumen" (Cherry Trees)

Stellen Sie sich einen Stammbaum vor, der nur aus zwei Ästen besteht, die von einem gemeinsamen Stamm abzweigen. Das nennen die Autoren humorvoll einen „Kirschbaum" (Cherry Tree).

• Das Dilemma: Wenn Sie nur zwei Äste sehen, können Sie nicht sicher sagen, ob die Art gerade erst entstanden ist oder ob sie schon lange existiert, aber einfach keine neuen Arten mehr hervorgebracht hat. Es ist wie ein Foto von zwei Zwillingen: Man weiß nicht, ob sie gerade geboren wurden oder ob sie schon 10 Jahre alt sind, aber einfach nicht gewachsen sind.
• Der Fehler: Viele Computerprogramme werfen diese kleinen „Kirschbäume" einfach weg, weil sie zu wenig Informationen liefern. Aber genau das führt zu einem strukturellen Bias (einer Verzerrung durch die Auswahl). Wenn man nur die großen, wachsenden Bäume betrachtet, denkt man fälschlicherweise, die Artbildung würde immer schneller gehen, je jünger der Baum ist.

2. Der statistische Fehler: Der „Glücksbringer-Effekt"

Nehmen wir an, Sie werfen eine Münze. Wenn Sie nur wenige Male werfen, kann es sein, dass Sie zufällig öfter „Kopf" als „Zahl" sehen. Das ist nicht der echte Durchschnitt, sondern ein statistischer Zufall.

• Bei der Artbildung: Die Standard-Rechnung unterschätzt die Geschwindigkeit, mit der neue Arten entstehen, besonders bei kleinen Gruppen. Es ist, als würde man versuchen, die Durchschnittsgeschwindigkeit eines Autos zu messen, indem man nur die ersten paar Sekunden der Fahrt betrachtet, bevor es richtig losgefahren ist. Das Ergebnis wäre zu niedrig.
• Die Lösung für Artbildung (λ): Die Autoren haben eine mathematische Korrektur gefunden. Man muss den berechneten Wert einfach mit einem kleinen Faktor multiplizieren (nämlich (n-1)/(n-2), wobei n die Anzahl der Arten ist). Das ist wie eine kleine „Korrekturbrille", die den Wert wieder auf das richtige Maß bringt.

3. Das komplexere Problem: Aussterben (µ)

Das Aussterben ist schwieriger zu berechnen als die Artbildung. Stellen Sie sich vor, Sie versuchen, zu erraten, wie viele Menschen in einem Raum gestorben sind, indem Sie nur zählen, wie viele noch da sind. Das ist extrem schwer, wenn man nicht weiß, wie viele ursprünglich da waren.

• Der Fehler: Hier hängt der Fehler nicht nur von der Größe der Gruppe ab, sondern auch davon, wie hoch das Verhältnis von Aussterben zu Artbildung ist.
• Die Lösung: Die Autoren haben einen cleveren Trick angewendet (Symbolische Regression), bei dem ein Computer nach der besten Formel gesucht hat. Sie fanden heraus, dass man den Wert für das Aussterben nicht nur nach der Gruppengröße, sondern auch nach dem Verhältnis von Aussterben zu Artbildung korrigieren muss.

4. Was passiert mit den Endergebnissen?

Wenn man diese Korrekturen anwendet, ändern sich die Ergebnisse für andere wichtige Größen:

• Der „Turnover" (Umsatz): Das ist die Summe aus Artbildung und Aussterben. Da sich die Fehler bei Artbildung (zu niedrig) und Aussterben (oft etwas zu hoch) gegenseitig fast aufheben, ist der Umsatz surprisingly (überraschenderweise) schon ziemlich genau.
• Die „Netto-Diversifizierung": Das ist der Unterschied (Artbildung minus Aussterben). Hier bleibt ein Problem bestehen. Da wir das Aussterben oft etwas zu hoch schätzen und die Artbildung zu niedrig, wird die Netto-Zahl immer etwas zu klein berechnet. Es ist wie bei einer Waage: Wenn man auf der einen Seite zu viel Gewicht hinzufügt und auf der anderen zu wenig, wiegt das Ergebnis falsch.

Die große Erkenntnis

Die Autoren sagen im Grunde: „Hört auf, kleine Stammbäume einfach zu ignorieren, aber passt die Rechnung an!"

Wenn man diese neuen Korrekturformeln verwendet, bekommt man viel genauere Antworten auf die Frage: „Wie schnell entstehen und sterben Arten?" Das ist besonders wichtig für kleine Gruppen (wie seltene Walarten) oder wenn man nur einen kleinen Ausschnitt eines riesigen Stammbaums untersucht.

Zusammenfassend:
Die Wissenschaftler haben gezeigt, dass unsere alten Messwerkzeuge bei kleinen Proben verzerrt waren. Mit ein paar mathematischen „Korrekturbrillen" können wir nun die wahre Geschwindigkeit der Evolution viel klarer sehen – ohne die Verzerrungen durch zu kleine Datenmengen oder falsche Auswahlmethoden.

Technische Zusammenfassung

Titel: Statistische und strukturelle Verzerrungen in Geburts-Tod-Modellen (Statistical and structural bias in birth-death models)

Autoren: Jeremy M. Beaulieu und Brian C. O'Meara

---

1. Problemstellung

Die genaue Schätzung von Speziation ($\lambda$) und Aussterberaten ($\mu$) aus phylogenetischen Bäumen ist fundamental für das Verständnis der Diversifizierungsdynamik. Die Autoren identifizieren zwei Hauptquellen systematischer Fehler (Bias), die die Zuverlässigkeit dieser Schätzungen beeinträchtigen, insbesondere bei kleinen Stichprobengrößen (kleine Klade oder Unterbäume):

1. Statistische Verzerrung (Statistical Bias): Die Maximum-Likelihood-Schätzer (MLE) für $\lambda$ und $\mu$ weichen systematisch von den wahren generierenden Werten ab. Bekannt ist bereits, dass der Standard-Schätzer für $\lambda$ im Yule-Modell ($\mu=0$) nach unten verzerrt ist.
2. Strukturelle Verzerrung (Structural Bias): Diese entsteht durch die Art und Weise, wie Likelihood-Funktionen konditioniert werden und wie Bäume bestimmter Größen behandelt werden.
   • Viele gängige Likelihood-Formulierungen (z. B. nach Stadler 2013) setzen das Überleben der Kronenlinie voraus und basieren auf einem Produkt über interne Knoten.
   • Bei Zwei-Taxa-Bäumen (sogenannte "Cherry Trees", $n=2$) ist der Likelihood-Term für das Produkt über interne Knoten undefiniert oder nicht berechenbar.
   • In der Praxis werden diese $n=2$-Bäume oft implizit oder explizit aus Analysen ausgeschlossen. Dies führt zu einer zusätzlichen Konditionierung (nur Bäume mit $n > 2$), die die Verteilung der beobachteten Klade verändert und zu verzerrten Schätzungen führt (z. B. eine scheinbar ansteigende Diversifizierungsrate bei jungen Klade).

Ein weiteres Problem ist die Nicht-Identifizierbarkeit: Zwei-Taxa-Bäume enthalten mathematisch nicht genügend Information, um Speziation und Aussterben gleichzeitig und eindeutig zu trennen, selbst wenn die Likelihood berechnet werden könnte.

2. Methodik

Die Autoren verfolgen einen mehrstufigen analytischen und numerischen Ansatz:

• Analytische Herleitung:

  • Sie leiten die erwartete Verzerrung des Standard-Schätzers für den Yule-Prozess ($\mu=0$) neu her.
  • Sie entwickeln eine korrekte Konditionierung der Likelihood-Funktion für Datensätze, die auf $n > 2$ beschränkt sind (Censoring von $n \le 2$). Dies geschieht für das allgemeine Geburts-Tod-Modell, den Yule-Prozess und den kritischen Verzweigungsprozess ($\lambda = \mu$).
  • Im Appendix wird mathematisch bewiesen, dass Zwei-Taxa-Bäume keine ausreichende Information zur Trennung von $\lambda$ und $\mu$ bieten (Analyse der partiellen Ableitungen der Log-Likelihood).

• Symbolische Regression (Symbolic Regression):

  • Da analytische Korrekturen für das allgemeine Geburts-Tod-Modell ($\mu > 0$) aufgrund der komplexen Nichtlinearitäten nicht geschlossen lösbar sind, verwenden die Autoren symbolische Regression (mit dem R-Paket gramEvol).
  • Sie simulierten hunderttausende Bäume unter verschiedenen Szenarien (Yule und allgemeines Geburts-Tod-Modell mit variierenden $\lambda$, $\mu$ und Alterswerten).
  • Das Ziel war es, funktionale Formen zu finden, die die Verzerrung zwischen geschätzten und wahren Werten minimieren. Die Suche wurde durch Regularisierung (Strafterme für Komplexität) gesteuert, um robuste und einfache Korrekturen zu finden.

• Validierung:

  • Die symbolische Regression wurde zunächst am Yule-Modell validiert, um sicherzustellen, dass sie die bekannte analytische Lösung wiederfindet.
  • Anschließend wurden die gefundenen Korrekturen auf das allgemeine Geburts-Tod-Modell angewendet und deren Auswirkungen auf abgeleitete Parameter (Turnover $\tau = \lambda + \mu$ und Netto-Diversifizierung $r = \lambda - \mu$) untersucht.

3. Wichtige Beiträge und Ergebnisse

A. Korrekturen für den Yule-Prozess ($\mu = 0$)

Die Autoren leiten analytisch her, dass der Standard-Schätzer $\hat{\lambda} = (n-2)/s$ (wobei $s$ die Summe der Astlängen ist) um den Faktor $(n-2)/(n-1)$ nach unten verzerrt ist.

• Korrektur: Der unverzerrte Schätzer lautet:
  $$\hat{\lambda}_{kor} = \hat{\lambda} \cdot \frac{n-1}{n-2}$$
  Dies bestätigt, dass frühere empirische Korrekturen ($n/(n-1)$) nicht ganz präzise waren und die analytisch abgeleitete Formel $(n-1)/(n-2)$ die korrekte Lösung für die bedingte Likelihood ist.

B. Korrekturen für das allgemeine Geburts-Tod-Modell ($\mu > 0$)

Durch symbolische Regression wurden folgende Korrekturen identifiziert:

• Speziation ($\lambda$): Die beste Korrektur ist identisch mit der des Yule-Modells:
  $$\hat{\lambda}_{kor} = \hat{\lambda} \cdot \frac{n-1}{n-2}$$
  Dies zeigt, dass die Verzerrung von $\lambda$ primär durch die Stichprobengröße ($n$) bestimmt wird und nicht durch das Vorhandensein von Aussterben, sofern die Likelihood korrekt konditioniert ist.
• Aussterben ($\mu$): Die Verzerrung ist komplexer und hängt sowohl von der Stichprobengröße als auch vom geschätzten Aussterbeanteil ($\hat{\epsilon} = \hat{\mu}/\hat{\lambda}$) ab.
  $$\hat{\mu}_{kor} = \hat{\mu} \cdot \left( \frac{n}{n-1} + \hat{\epsilon} \right)$$
  Dies unterstreicht die intrinsische Kopplung von $\lambda$ und $\mu$ in der Likelihood.

C. Auswirkungen auf abgeleitete Parameter

• Turnover ($\tau = \lambda + \mu$): Durch die Anwendung der Korrekturen ist der Turnover nahezu unverzerrt. Die gegenläufigen Verzerrungen von $\lambda$ (Unterschätzung) und $\mu$ (leicht Überschätzung nach Korrektur) heben sich weitgehend auf.
• Netto-Diversifizierung ($r = \lambda - \mu$): Dieser Parameter bleibt systematisch unterschätzt, da $\mu$ nach der Korrektur tendenziell leicht überschätzt wird, während $\lambda$ unterschätzt bleibt. Eine direkte Korrektur für $r$ (analog zu $\mu$) verbessert die Schätzung jedoch erheblich.

D. Strukturelle Implikation

Die Analyse bestätigt, dass Zwei-Taxa-Bäume ("Cherry Trees") für die getrennte Schätzung von $\lambda$ und $\mu$ ungeeignet sind. Die Likelihood-Oberfläche für $n=2$ zeigt kein Maximum für $\lambda$ (die Ableitung ist strikt negativ), was bedeutet, dass $\lambda$ gegen 0 gedrängt wird. Daher sollte die Likelihood explizit auf $n > 2$ konditioniert werden, um strukturelle Verzerrungen zu vermeiden.

4. Bedeutung und Fazit

Die Studie liefert einen allgemeinen Rahmen zur Verbesserung der Inferenz unter Geburts-Tod-Modellen:

1. Korrektur von Verzerrungen: Die vorgeschlagenen multiplikativen Korrekturfaktoren (insbesondere für $\lambda$ und $\mu$) reduzieren systematische Fehler erheblich und verbessern die Übereinstimmung zwischen geschätzten und wahren Werten.
2. Praktische Anwendung: Forscher sollten bei der Analyse kleiner Klade oder Unterbäume (z. B. in Methoden wie BAMM, MEDUSA, ClaDS oder MiSSE) sicherstellen, dass:
   • Zwei-Taxa-Einheiten ausgeschlossen werden.
   • Die Likelihood-Funktion entsprechend auf $n > 2$ konditioniert ist.
   • Die geschätzten Raten mit den hier abgeleiteten Korrekturfaktoren nachbearbeitet werden.
3. Bayessche Methoden: Die Autoren betonen, dass Bayessche Methoden allein diese Verzerrungen nicht automatisch beheben, wenn die zugrundeliegende Likelihood verzerrt ist. Auch hier sind die Korrekturen auf der Ebene der Schätzer notwendig.
4. Parameterwahl: Da die Netto-Diversifizierung ($\lambda - \mu$) anfälliger für Verzerrungen ist als der Turnover ($\lambda + \mu$), sollten Studien, insbesondere bei kleinen Stichproben oder hohen Aussterberaten, vorsichtig mit der Interpretation von Netto-Diversifizierungsraten umgehen und gegebenenfalls den Turnover bevorzugen.

Zusammenfassend klären die Autoren die statistischen und strukturellen Quellen von Fehlern in der Diversifizierungsraten-Schätzung und bieten mathematisch fundierte Lösungen, um diese zu minimieren.