Statistical and structural bias in birth-death models

Este artículo identifica y corrige los sesgos estadísticos y estructurales en la estimación de las tasas de especiación y extinción a partir de árboles filogenéticos, proponiendo fórmulas ajustadas que mejoran significativamente la precisión de los parámetros de diversificación bajo modelos de nacimiento-muerte.

Lo esencial

Imagina que la evolución es como una gran fiesta de nacimiento y muerte. Algunos animales tienen muchos hijos (especiación, o "nacimiento") y otros mueren sin dejar descendencia (extinción, o "muerte"). Los científicos usan árboles genealógicos (llamados filogenias) para intentar adivinar qué tan rápido ocurren estos nacimientos y muertes en diferentes grupos de animales.

El problema es que las herramientas matemáticas que usan los científicos para contar estos eventos a veces tienen "gafas sucias" que distorsionan la realidad. Este artículo explica por qué ocurren esos errores y cómo limpiar las gafas.

Aquí tienes la explicación sencilla, usando analogías:

1. El problema de las "parejas solitarias" (Los árboles de dos puntas)

Imagina que quieres adivinar la tasa de natalidad de una ciudad, pero solo tienes datos de dos familias que acabas de conocer.

• Si esas dos familias no han tenido más hijos, ¿sabes si es porque la gente no tiene hijos o porque los hijos murieron? No puedes saberlo.
• En biología, estos grupos de solo dos especies se llaman "árboles cereza" (cherry trees).
• El error: Muchos programas informáticos simplemente ignoran estos grupos pequeños porque no pueden calcular nada con ellos. Pero al ignorarlos, los científicos pierden información importante. Es como si un detective ignorara todos los crímenes donde solo había dos sospechosos, lo que le haría pensar que los crímenes son más raros de lo que son.

2. El sesgo del "cuento de hadas" (Sesgo Estructural)

Cuando los científicos calculan las probabilidades, asumen que el grupo de animales que estudian "sobrevivió" hasta hoy. Pero si solo miras a los grupos que sobrevivieron y tienen más de dos miembros, estás filtrando la realidad.

• La analogía: Imagina que quieres saber cuántas personas entran a un cine, pero solo cuentas a las personas que se quedan sentadas hasta el final de la película. Si la película es muy aburrida y mucha gente se va a la mitad, tu cálculo de "entradas" estará mal.
• La solución: Los autores dicen que debemos ajustar las matemáticas para tener en cuenta que estamos ignorando a los grupos pequeños que se extinguieron o que nunca crecieron. Al hacer este ajuste, las estimaciones se vuelven más precisas.

3. El error de la "regla de oro" (Sesgo Estadístico)

Incluso con los grupos grandes, las fórmulas matemáticas tradicionales tienen un defecto: tienden a subestimar la velocidad de los nacimientos.

• La analogía: Es como si tuvieras una regla para medir tu altura, pero esa regla siempre te hiciera parecer 2 centímetros más bajo de lo que eres. Si eres un niño pequeño (un grupo de especies joven o pequeño), el error es enorme.
• La corrección: Los autores descubrieron una fórmula mágica para "estirar" la regla. Si tienes un grupo de $n$ especies, la fórmula correcta para corregir el error es multiplicar tu resultado por una fracción específica: $(n - 1) / (n - 2)$.
  • Ejemplo: Si tienes 10 especies, en lugar de usar tu número crudo, lo ajustas matemáticamente para que sea más preciso. Esto funciona tanto si no hay extinción como si la hay.

4. El caso difícil de la "Muerte" (Extinción)

Corregir la tasa de nacimiento es fácil (como arreglar una bicicleta). Pero corregir la tasa de extinción es como intentar arreglar un reloj suizo con un martillo.

• El problema: La extinción y el nacimiento están tan mezclados que es difícil separarlos. Además, la corrección depende de dos cosas: cuántas especies tienes y qué porcentaje de ellas se extinguieron.
• La solución: Usaron una técnica llamada "regresión simbólica" (básicamente, una computadora que prueba millones de fórmulas matemáticas hasta encontrar la que mejor encaja). Descubrieron que la fórmula para corregir la extinción es más compleja y debe tener en cuenta la proporción de extinción.

5. ¿Qué pasa con el "crecimiento neto"?

A los científicos les encanta saber la tasa neta de diversificación (Nacimientos - Muertes). Es como preguntar: "¿Está creciendo esta familia o encogiéndose?".

• El hallazgo: Aunque corregimos los nacimientos y las muertes por separado, cuando los restamos, el error se acumula.
• La analogía: Imagina que tienes una báscula que te pesa 1 kilo de menos y otra que te pesa 1 kilo de más. Si las sumas, el error desaparece (la tasa de recambio o turnover es precisa). Pero si restas una de la otra, el error se duplica y el resultado final sigue siendo inexacto.
• Conclusión: Es más seguro confiar en la "tasa de recambio" (cuántos entran y cuántos salen en total) que en la "tasa neta" (cuántos quedan al final), especialmente en grupos pequeños.

Resumen para llevar a casa

1. No ignores a los pequeños: Los grupos de solo dos especies no se pueden analizar bien, pero ignorarlos sin ajustar las matemáticas te da resultados falsos.
2. Ajusta la regla: Las fórmulas actuales siempre dicen que la evolución es más lenta de lo que es. Hay una corrección matemática simple que arregla esto.
3. Cuidado con la resta: Calcular el crecimiento "neto" (nacimientos menos muertes) es muy propenso a errores en grupos pequeños. Es mejor mirar el "flujo total" (nacimientos más muertes).

En esencia: Este papel nos da las "gafas de realidad" para que los biólogos puedan ver la verdadera velocidad de la evolución, evitando que los grupos pequeños nos engañen con sus números.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Statistical and structural bias in birth-death models" (Sesgos estadísticos y estructurales en modelos de nacimiento-muerte), escrito por Jeremy M. Beaulieu y Brian C. O'Meara.

1. Planteamiento del Problema

La estimación precisa de las tasas de especiación ($\lambda$) y extinción ($\mu$) a partir de árboles filogenéticos es fundamental para entender la dinámica de diversificación evolutiva. Sin embargo, los autores identifican dos fuentes críticas de error que comprometen la fiabilidad de los estimadores actuales, especialmente en clados pequeños o subárboles:

• Sesgo Estadístico: Los estimadores de máxima verosimilitud (MLE) estándar presentan desviaciones sistemáticas respecto a los valores generadores reales. Por ejemplo, el estimador clásico de Yule para $\lambda$ tiende a subestimar sistemáticamente la tasa real.
• Sesgo Estructural: Surge de cómo se manejan los árboles pequeños en los cálculos de verosimilitud.
  • Muchos modelos asumen la supervivencia del clado corona, pero en la práctica, los árboles de solo dos taxones ("árboles cereza" o cherry trees, $n=2$) a menudo se excluyen porque la función de verosimilitud estándar no está definida para ellos o se considera que carecen de información.
  • Esta exclusión implícita introduce una capa adicional de condicionamiento que altera la distribución de los clados observados, generando estimaciones sesgadas (especialmente una sobreestimación de las tasas en clados jóvenes).
  • Además, los árboles de $n=2$ carecen matemáticamente de la información necesaria para identificar simultáneamente $\lambda$ y $\mu$ (problema de identificabilidad).

2. Metodología

Los autores emplearon un enfoque combinado de derivación analítica, simulación y regresión simbólica:

• Análisis de Verosimilitud Condicionada:
  • Derivaron nuevas funciones de verosimilitud que condicionan explícitamente no solo a la supervivencia del clado corona, sino también a la observación de más de dos taxones ($n > 2$).
  • Esto se aplicó a tres escenarios: el modelo general de nacimiento-muerte, el proceso de Yule ($\mu=0$) y el proceso de ramificación crítica ($\lambda=\mu$).
• Identificabilidad en Árboles Cereza:
  • Demostraron analíticamente que en un árbol de dos taxones, la superficie de verosimilitud no tiene un máximo único para $\lambda$ y $\mu$ por separado, confirmando que estos árboles no contienen suficiente información para separar los procesos de especiación y extinción.
• Corrección de Sesgo para el Modelo de Yule:
  • Re-derivaron el sesgo esperado del estimador estándar de Yule, demostrando que $\hat{\lambda}$ subestima $\lambda$ por un factor de $(n-2)/(n-1)$.
• Regresión Simbólica para Modelos Generales:
  • Dado que la corrección analítica es intratable para el modelo general de nacimiento-muerte (debido a la no linealidad entre $\lambda$ y $\mu$), utilizaron regresión simbólica (con el paquete R gramEvol).
  • Simularon 500,000 conjuntos de datos bajo diversos escenarios de nacimiento-muerte.
  • Buscaron transformaciones funcionales de los parámetros estimados ($\hat{\lambda}, \hat{\mu}$) que minimizaran el error entre los valores estimados y los valores generadores reales.
  • Validaron el método recuperando la corrección analítica conocida del modelo de Yule antes de aplicarlo al modelo general.

3. Contribuciones Clave y Resultados

A. Correcciones Analíticas y Empíricas

El estudio proporciona fórmulas de corrección para reducir el sesgo en los estimadores:

1. Tasa de Especiación ($\lambda$):

   • La corrección óptima para el modelo de Yule y el modelo general de nacimiento-muerte es idéntica:
     $$\hat{\lambda}_{corr} = \hat{\lambda} \cdot \frac{n-1}{n-2}$$
   • Esta corrección elimina casi por completo el sesgo de subestimación, alineando las estimaciones con la línea 1:1.

2. Tasa de Extinción ($\mu$):

   • El sesgo en $\mu$ es más complejo y depende tanto del tamaño de la muestra ($n$) como de la fracción de extinción estimada ($\hat{\epsilon} = \hat{\mu}/\hat{\lambda}$).
   • La mejor corrección encontrada es:
     $$\hat{\mu}_{corr} = \hat{\mu} \cdot \left( \frac{n}{n-1} + \hat{\epsilon} \right)$$
   • Esto indica que la corrección para la extinción no es solo un factor de escala, sino que requiere información sobre la proporción de extinción.

3. Parámetros Derivados:

   • Recambio (Turnover, $\tau = \lambda + \mu$): Al aplicar las correcciones, el recambio resulta ser casi insesgado. Los sesgos opuestos de $\lambda$ (subestimado) y $\mu$ (ligeramente sobreestimado tras la corrección) tienden a cancelarse mutuamente.
   • Diversificación Neta ($r = \lambda - \mu$): Sigue siendo sistemáticamente subestimada. Esto se debe a que se resta un valor de extinción ligeramente sobreestimado de un valor de especiación corregido. La corrección óptima para la diversificación neta sigue la misma estructura que la de la extinción.

B. Implicaciones para el Condicionamiento

• Se confirma que los árboles de $n=2$ deben excluirse de los análisis de estimación de tasas debido a la falta de información, pero la función de verosimilitud debe condicionarse explícitamente a $n > 2$.
• Ignorar este condicionamiento estructural (como hacen muchos métodos estándar que asumen $n \ge 1$ o ignoran la exclusión) conduce a una sobreestimación de las tasas en clados jóvenes.

4. Significado e Impacto

Este trabajo es fundamental para la fiabilidad de los estudios macroevolutivos:

• Precisión en Clados Pequeños: Proporciona un marco para obtener estimaciones no sesgadas en grupos con pocos taxones (ej. especies vivas de ballenas, clados jóvenes), donde los métodos tradicionales fallan.
• Mejora de Métodos Existentes: Sugiere que herramientas populares como BAMM, MEDUSA, ClaDS y BiSSE deben configurarse para excluir regímenes con menos de 3 taxones o aplicar estas correcciones post-hoc.
• Jerarquía de Parámetros: Destaca que la tasa de recambio (turnover) es un parámetro más robusto y menos sesgado que la diversificación neta en estudios empíricos, especialmente cuando la fracción de extinción es alta.
• Independencia del Método: Aclara que los métodos bayesianos no corrigen automáticamente estos sesgos si la verosimilitud subyacente está mal especificada o sesgada; la corrección debe aplicarse a los estimadores mismos.

En resumen, los autores ofrecen un marco general para corregir tanto los errores estadísticos inherentes a los estimadores como los errores estructurales derivados del manejo de datos censurados, mejorando significativamente la inferencia de dinámicas de diversificación bajo modelos de nacimiento-muerte.