Occam's bias undermines inferences from phylogenetic linear models

Die Studie zeigt, dass die Vernachlässigung von Beziehungen zwischen Prädiktoren in phylogenetischen linearen Modellen zu einer „Ockham-Bias" genannten Verzerrung führt, die phylogenetische Schlussfolgerungen über ökologische und evolutionäre Prozesse beeinträchtigt und daher durch den Einsatz von Multi-Response-Modellen korrigiert werden muss.

Das Wesentliche

Das Problem: Der "Ockham-Bias" (Ockhams Voreingenommenheit)

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden will, warum manche Tiere vom Aussterben bedroht sind und andere nicht. Sie haben drei Verdächtige:

1. Körpergröße (Wie groß ist das Tier?)
2. Fortpflanzung (Wie viele Babys bekommt es?)
3. Lebensraum (Wie groß ist das Gebiet, in dem es lebt?)

In der Wissenschaft nutzen Forscher oft eine Methode, die wie ein einfaches Lineal funktioniert (die sogenannten "Single-Response-Modelle"). Dabei messen sie: "Wie beeinflusst die Körpergröße das Aussterberisiko?" und fügen dann einfach noch die anderen beiden Verdächtigen als "Kontrollen" hinzu, um sicherzugehen.

Das Problem: Die Forscher gehen dabei davon aus, dass diese Verdächtigen nichts miteinander zu tun haben. Aber in der Natur ist das falsch!

• Große Tiere haben oft weniger Babys.
• Tiere mit einem großen Lebensraum haben oft eine andere Fortpflanzungsrate.
• Alles hängt miteinander zusammen, wie ein komplexes Spinnennetz.

Wenn Sie dieses Spinnennetz ignorieren und nur gerade Linien ziehen, passiert etwas Seltsames: Das Lineal wird verzerrt. Die Studie nennt dieses Phänomen "Ockhams Bias".

Die Metapher: Das laute Gespräch in einer Bar

Stellen Sie sich ein Gespräch in einer lauten Bar vor:

• Person A (Körpergröße) schreit etwas.
• Person B (Fortpflanzung) schreit etwas.
• Person C (Aussterben) versucht, zuzuhören.

Person A und Person B unterhalten sich aber auch miteinander. Wenn Person A laut ist, wird Person B vielleicht auch lauter oder leiser.

Der Fehler (Single-Response-Modell):
Ein Beobachter (der Statistiker) steht in der Ecke und versucht zu hören, was Person A zu Person C sagt. Er sagt: "Okay, ich halte Person B einfach mal fest, damit sie nicht stört."
Aber weil Person A und B eng miteinander verbunden sind, verändert das Festhalten von Person B die Art und Weise, wie Person A spricht. Plötzlich hört es sich so an, als würde Person A etwas ganz anderes sagen, als sie eigentlich sagt. Oder schlimmer: Es hört sich an, als würde Person A etwas sagen, das sie gar nicht gesagt hat (eine falsche Entdeckung).

Je mehr Leute Sie versuchen festzuhalten (je mehr "Kontrollvariablen" Sie hinzufügen), desto lauter wird das Chaos und desto mehr verzerren Sie die Wahrheit.

Die Lösung (Multi-Response-Modell):
Anstatt nur Person A zu hören und Person B festzuhalten, hören Sie alle gleichzeitig zu. Sie schauen sich das ganze Gespräch im Raum an. Sie verstehen, dass Person A und B sich gegenseitig beeinflussen. Erst wenn Sie das gesamte Netzwerk verstehen, können Sie genau sagen, was Person A wirklich zu Person C sagt.

Was hat die Studie herausgefunden?

Die Forscher haben dies mit echten Daten von fast 14.000 Tieren (Vögel, Säugetiere, Lurche, Reptilien) getestet.

1. Die alte Methode (das einfache Lineal) hat oft gelogen:
   Wenn sie nur die Körpergröße betrachtet haben, sahen sie manchmal einen Zusammenhang mit dem Aussterben, der gar nicht existierte. Oder sie sahen einen Zusammenhang in die falsche Richtung (z. B. "Größere Tiere sind sicherer", obwohl sie eigentlich gefährdeter sind).

   • Beispiel: Bei Vögeln und Säugetieren (Endothermen) zeigte die alte Methode, dass große Tiere ein höheres Aussterberisiko haben. Aber das war nur ein statistischer Trick durch die anderen Faktoren.

2. Die neue Methode (das Netzwerk) sagt die Wahrheit:
   Als sie alle Faktoren gleichzeitig betrachteten (das komplexe Gespräch hörten), passte das Ergebnis plötzlich zur biologischen Theorie:

   • Bei Vögeln und Säugetieren sind große Tiere tatsächlich gefährdeter.
   • Bei Amphibien und Reptilien (Ektothermen) ist es anders: Hier sind kleinere Tiere oft gefährdeter.
   • Die Anzahl der Babys und die Größe des Lebensraums spielen eine riesige Rolle, die in der alten Methode völlig falsch berechnet wurde.

3. Je mehr Daten, desto schlimmer der Fehler:
   Ein besonders überraschendes Ergebnis: Je mehr Daten Sie haben (je größer die Studie), desto schlimmer wird der Fehler in der alten Methode!

   • Warum? Wenn Sie 100 Tiere untersuchen, ist der Fehler klein. Wenn Sie 14.000 Tiere untersuchen, wird der "Lärm" durch die falsche Methode so laut, dass Sie völlig falsche Schlüsse ziehen. Große Studien sind also nicht automatisch besser, wenn die Methode falsch ist.

Die große Lektion für die Wissenschaft

Die Autoren sagen: "Hört auf, einfach nur Variablen hinzuzufügen, um 'kontrolliert' zu wirken."

In der Wissenschaft dachte man lange: "Je mehr Faktoren ich in meine Rechnung einbaue, desto genauer wird es."
Diese Studie zeigt: "Nein! Wenn du die Beziehungen zwischen den Faktoren nicht verstehst, machst du es nur schlimmer."

Es ist wie beim Kochen: Wenn Sie ein Rezept haben, bei dem Salz und Pfeffer zusammenwirken, können Sie nicht einfach den Pfeffer "herausrechnen", um den Geschmack des Salzes zu messen. Sie müssen das ganze Gericht schmecken, um zu verstehen, wie die Zutaten zusammenarbeiten.

Fazit

Die Studie warnt davor, dass viele alte wissenschaftliche Erkenntnisse über die Evolution und das Aussterben von Arten auf einer verzerrten Methode basieren. Um die Wahrheit zu finden, müssen wir aufhören, das Leben in einfache, gerade Linien zu zwingen, und stattdessen die komplexen, verwobenen Netze der Natur akzeptieren und mit komplexeren Modellen (den "Multi-Response-Modellen") analysieren.

Kurz gesagt: Wenn Sie das ganze Bild sehen wollen, dürfen Sie nicht nur einen Ausschnitt betrachten und hoffen, dass der Rest von selbst passt.

Technische Zusammenfassung

Titel

Occam's Bias untergräbt Schlussfolgerungen aus phylogenetischen linearen Modellen
(Occam's bias undermines inferences from phylogenetic linear models)

1. Problemstellung

Die Autoren identifizieren ein weit verbreitetes, aber oft übersehenes statistisches Problem in der phylogenetischen vergleichenden Biologie: den sogenannten „Occam's Bias".

• Kontext: Phylogenetische lineare Modelle (insbesondere Single-Response-Modelle, SR) sind der Standard, um Hypothesen über evolutionäre Anpassungen und Biodiversitätsmuster zu testen. In diesen Modellen wird eine einzelne Zielvariable (Response) auf mehrere Prädiktoren regressiert, ohne die Beziehungen zwischen den Prädiktoren explizit zu modellieren.
• Das Kernproblem: Wenn theoretische Vorhersagen bidirektionale Kausalpfade oder Feedback-Schleifen zwischen Prädiktoren beinhalten, SR-Modelle diese jedoch ignorieren, entsteht eine statistische Verzerrung.
• Mechanismus: Da SR-Modelle die Korrelationen zwischen den Prädiktoren nicht als separate Parameter schätzen, wird deren Kovarianz implizit in die Koeffizienten der Prädiktoren „umverteilt". Dies führt zu verzerrten Effektstärken, falschen Vorzeichen (Richtung der Beziehung) und erhöhten Fehlern vom Typ I (falsch-positive Signifikanz) oder Typ II (falsch-negative Signifikanz).
• Paradoxon: Die traditionelle Annahme, dass das Hinzufügen weiterer Kovariaten die Inferenz verbessert, kann in diesem Kontext kontraproduktiv sein. Mit zunehmender Anzahl an Prädiktoren wächst die Anzahl der nicht modellierten indirekten Pfade quadratisch ($y = (x^2-x)/2$), was den Bias verschärft.

2. Methodik

Die Studie kombiniert theoretische Herleitungen, Simulationen und eine empirische Großanalyse.

• Theoretische Herleitung:

  • Die Autoren leiten eine „Occam's Bias-Ungleichung" her, die auf der Formel für die partielle Korrelation basiert. Diese Ungleichung definiert die numerischen Bedingungen, unter denen das Hinzufügen eines Kovariaten zu einem falsch-signifikanten Ergebnis führt, selbst wenn keine echte Beziehung zwischen den Variablen besteht.
  • Die Ungleichung lautet: $|r_{13} \cdot r_{23}| > t_{kritisch} \cdot \frac{1}{\sqrt{n-k-1}} \cdot \sqrt{(1-r_{13}^2)(1-r_{23}^2)}$.
  • Hierbei ist $r_{13}$ und $r_{23}$ die Korrelation zwischen den Prädiktoren und der Zielvariable bzw. untereinander, $n$ die Stichprobengröße und $k$ die Anzahl der Prädiktoren.

• Simulationen:

  • Es wurden bayessche phylogenetische gemischte Modelle mit simulierten Daten getestet.
  • Ein System aus drei Merkmalen (Trait 1, 2, 3) wurde verwendet, wobei die Korrelation zwischen Trait 1 und 2 auf null gesetzt wurde, während die Korrelationen zu Trait 3 systematisch variiert wurden.
  • Verglichen wurden Single-Response (SR)-Modelle (Trait 1 ~ Trait 2 + Trait 3) mit Multi-Response (MR)-Modellen (alle drei Merkmale als Response-Variablen in einem unstrukturierten Varianz-Kovarianz-Matrix-Modell).
  • Untersucht wurden verschiedene Stichprobengrößen ($n = 100, 1.500, 5.000$).

• Empirische Fallstudie:

  • Daten: Eine neue Datenbank mit 13.949 terrestrischen Wirbeltierarten (Amphibien, Reptilien [Eidechsen], Säugetiere, Vögel).
  • Variablen:
    • Response: Aussterberisiko (binär: bedroht vs. nicht bedroht, basierend auf IUCN-Roten Liste).
    • Prädiktoren (Lebensgeschichte): Körpermasse, Fruchtbarkeit (Gelege-/Wurfgröße), geografische Verbreitungsfläche.
  • Statistische Modelle:
    • Implementierung in R mit dem Paket MCMCglmm.
    • SR-Modelle: Vier Varianten (nur Masse; Masse + Fruchtbarkeit; Masse + Fläche; alle drei).
    • MR-Modell: Ein einziges Modell, das alle vier Variablen (Risiko, Masse, Fruchtbarkeit, Fläche) gleichzeitig als Response-Variablen behandelt, um die phylogenetischen und residualen Kovarianzen zwischen allen Paaren explizit zu schätzen.

3. Wichtige Beiträge und Ergebnisse

• Nachweis des Bias durch Simulationen:

  • Die Simulationen bestätigten die theoretische Ungleichung: SR-Modelle erzeugten bei Vorhandensein von Korrelationen zwischen Prädiktoren (selbst bei niedrigen Werten unterhalb der Multikollinearitätsschwelle von 0,7) signifikante, aber falsche Beziehungen.
  • Stichprobengröße: Der Bias nimmt mit steigender Stichprobengröße zu. Große Datensätze (typisch für moderne phylogenetische Studien) sind daher besonders anfällig für falsch-positive Ergebnisse durch Occam's Bias.
  • Richtung der Verzerrung: Das Vorzeichen des Koeffizienten kann sich umkehren, abhängig von den Vorzeichen der Korrelationen zwischen den Prädiktoren und der Zielvariable.

• Empirische Ergebnisse (Aussterberisiko):

  • MR-Ergebnisse (Korrekt): Das Multi-Response-Modell ergab biologisch plausible, theoriekonforme Ergebnisse:
    • Höheres Aussterberisiko ist signifikant mit geringerer Fruchtbarkeit und kleinerer geografischer Verbreitung verbunden.
    • Der Einfluss der Körpermasse ist differenziert: negativ bei Ektothermen (größere Tiere sind weniger gefährdet), positiv bei Endothermen (größere Tiere sind stärker gefährdet).
  • SR-Ergebnisse (Verzerrt): Die traditionellen Single-Response-Modelle lieferten widersprüchliche oder falsche Schlussfolgerungen:
    • Fruchtbarkeit erschien oft als nicht-signifikanter Prädiktor.
    • Die Beziehung zwischen Körpermasse und Aussterberisiko wurde durch das Hinzufügen von Kovariaten (Fruchtbarkeit, Fläche) verzerrt, teilweise sogar das Vorzeichen geändert (z.B. scheinbar positive Beziehung bei Amphibien, wenn Fläche kontrolliert wurde).
  • Modellgüte vs. Kausalität: Modelle mit besserem Deviance Information Criterion (DIC) in SR-Analysen lieferten oft die biologisch weniger relevanten Ergebnisse. Dies zeigt, dass Vorhersagemetriken nicht mit korrekter kausaler Inferenz gleichzusetzen sind.

4. Bedeutung und Schlussfolgerungen

• Paradigmenwechsel: Die Studie fordert einen Wechsel von Single-Response-Modellen hin zu Multi-Response-Modellen (MR) in der phylogenetischen Analyse. MR-Modelle schätzen alle Kovarianzen explizit und vermeiden so die implizite Umverteilung von Varianz, die den Occam's Bias verursacht.
• Kritik an „Kontrollieren": Das traditionelle „Kontrollieren" von Kovariaten in SR-Modellen wird als irreführend kritisiert, da es biologische Beziehungen zwischen Prädiktoren verschleiert und in die Koeffizienten der Zielvariable einmischt.
• Implikationen für die Literatur: Ein großer Teil der bestehenden Literatur zu evolutionären und ökologischen Mustern könnte durch diesen Bias verzerrt sein, insbesondere bei großen Datensätzen und Studien mit mehreren Prädiktoren.
• Empfehlung:
  1. Re-Evaluation von Hypothesen, die mit SR-Modellen getestet wurden.
  2. Bevorzugung von MR-Modellen oder anderen Strukturen, die alle kausalen Pfade explizit abbilden.
  3. Entwicklung und Verbreitung von phylogenetischen MR-Ansätzen (z.B. bayessche multivariate Modelle).

Zusammenfassend demonstriert das Papier, dass die Vernachlässigung der Beziehungen zwischen Prädiktoren in phylogenetischen linearen Modellen zu systematischen Fehlern führt, die die Interpretation evolutionärer Prozesse fundamental verfälschen können. Die Einführung des Konzepts „Occam's Bias" dient als Warnung und Aufruf zu methodischer Strenge.