Comparison of directional random walk and weighted least squares modeling of sparse fossil data

あなたは、わずかな、散らばった、埃をかぶった骨だけを見て、数百万年かけて古代の動物たちがどのように変化したのかを解明しようとしているところだと想像してください。科学者たちは、彼らの進化の物語を推測するために、主に2つの方法を用いています。それは、複雑な「ランダムウォーク（Random Walk）」法と、より単純な「重み付き最小二乗法（Weighted Least Squares）」法です。

この論文は、これら2つの手法を比較した結果について、日常的な例えを用いて次のように述べています。

2つの競合相手

1. 「ランダムウォーク（GRW）」： これは、霧の中でハイカーの歩幅だけを頼りに、その足跡を辿ろうとするようなものです。この手法（Hunt, 2006によって作成）は、動物の形質が、多くの小さなランダムなステップを踏むことで変化したと仮定しています。この手法は、それらのステップがどれくらいの大きさであったか、そしてどれほど多様であったかを正確に計算しようと試みます。
2. 「重み付き最小二乗法（WLS）」： これは、グラフ上の乱雑に散らばった点の集まりに対して、直線を引くようなものです。これは、最適な平均的な傾向を見つけることに焦点を当てており、見た目がはっきりしている点にはより大きな重要性を置き、ぼやけている点には重要性を低く設定します。

「霧の中の骨」の問題

以前の研究（Ergon, 2026）では、コンピューター・シミュレーションを用いて「ランダムウォーク」法のテストが行われました。そこで重大な欠陥が見つかりました。

• 「完璧な世界」のテスト： データが完璧（測定誤差がない状態）であったとき、ランダムウォーク法は問題なく機能しました。
• 「現実の世界」のテスト： 現実的な「ノイズ」（欠けた骨や測定ミスなど、実際の化石がそうであるようなもの）を加えたところ、この手法は崩壊しました。この手法は、不可能な答え、例えば「ステップの大きさ」がマイナスであるといった計算を始めてしまいました（これは物理的に不可能であり、まるで時間を逆行して歩いたと言っているようなものです）。

この新しい論文が行ったこと

この論文の著者は、最初から現実の世界をシミュレートするようにして、テストを再度行うことに決めました。著者は、化石データは常に「不鮮明」で、測定誤差に満ちている（実際の化石のように）と想定しました。

3つの主な要点

1. 単純な直線が（ほとんどの場合）勝利する
データが不鮮明なとき（それは通常、起こり得ることです）、**重み付き最小二乗法（WLS）**が明確な勝者となります。これは、乱雑なスケッチの中に定規を使って直線を引くことと、泥の中の見えない足跡を数えることで歩みを推測しようとすることの違いのようなものです。定規（WLS）の方が、より信頼できる結果をもたらします。

2. 複雑な手法が「機能する」ときでさえ、単純な直線が勝る
この論文では驚くべきことが判明しました。複雑なランダムウォーク法がステップの大きさを正しく計算できるという稀なケースにおいてさえ、単純なWLS法の方が優れているのです。ランダムウォーク法は「柔軟性に欠ける」と説明されています。それは、混雑した部屋で踊ろうとする硬直したロボットのようなものです。ロボットは転ばないかもしれませんが、周囲に合わせてスムーズに、あるいは正確に動くことはできません。対して人間（WLS）は、周囲に合わせて動くことができます。

3. 「楽観主義」の罠
最後に、この論文は**赤池情報量基準（AIC）**と呼ばれる特定のツールについて警告しています。これは、どのモデルが「最良」であるかを科学者に伝えるために使われるツールです。著者は、データが非常に不鮮明なとき、AICというツールが過剰に興奮し、複雑なランダムウォーク・モデルが素晴らしいものであると告げてしまうことを発見しました。それは、エンジンの壊れた車に対して、ただピカピカのハブキャップがついているという理由だけで、「素晴らしい買い得品だ」と言う自動車販売員のようなものです。このツールは、データが乱雑なとき、複雑なモデルに対してあまりにも楽観的すぎます。

結論

もしあなたが、乏しく不完全な化石データを用いて進化を理解しようとしているのであれば、あまり凝った「ランダムウォーク」モデルを使わないでください。より単純な「重み付き最小二乗法」のアプローチの方が信頼性が高く、乱雑なデータをうまく扱い、かつ楽観的なスコアリング・ツールに騙されることもありません。