Statistical and structural bias in birth-death models

Este estudo identifica e corrige vieses estatísticos e estruturais na estimação das taxas de especiação e extinção em modelos de nascimento-morte, demonstrando que o uso de estimadores ajustados melhora significativamente a precisão das inferências de diversificação.

O essencial

Imagine que você é um detetive tentando descobrir a história de uma família muito antiga, apenas olhando para uma árvore genealógica moderna. Você quer saber duas coisas: quão rápido essa família cresceu (nascimentos/especiação) e quão rápido ela encolheu (mortes/extinção).

Os cientistas usam uma ferramenta matemática chamada "modelo de nascimento e morte" para fazer essa contagem. Mas, segundo este novo estudo, a régua que eles estão usando tem um defeito de fabricação, e a maneira como eles escolhem quais árvores analisar também está distorcendo a verdade.

Aqui está a explicação simples do que os autores descobriram:

1. O Problema da "Árvore de Cereja" (Cherry Trees)

Imagine que você tenta adivinhar a taxa de natalidade de uma cidade olhando apenas para duas pessoas que acabaram de nascer. É impossível saber se elas nasceram de um casal que teve muitos filhos e perdeu a maioria, ou de um casal que teve apenas duas.

No mundo das árvores evolutivas, uma árvore com apenas duas "pontas" (duas espécies vivas) é chamada de árvore de cereja.

• O Erro: Muitos programas de computador simplesmente ignoram essas árvores pequenas porque a matemática fica confusa nelas. Eles dizem: "Vamos analisar apenas árvores com 3 ou mais espécies".
• A Consequência: Ao jogar fora as árvores pequenas, os cientistas estão, sem querer, filtrando os casos onde a extinção foi alta. Isso faz com que pareça que as taxas de crescimento são mais altas do que realmente são, especialmente em grupos jovens. É como tentar adivinhar o clima de um mês inteiro olhando apenas para os dias de sol e ignorando as tempestades.

2. A Régua Quebrada (Viés Estatístico)

Mesmo quando os cientistas analisam árvores grandes, a "régua" matemática que eles usam para medir o crescimento (especiação) e a morte (extinção) não é perfeita.

• O que acontece: A régua tende a subestimar o crescimento. É como se você estivesse medindo um bolo e, por um defeito na régua, sempre dissesse que ele é 10% menor do que realmente é.
• A Solução para o Crescimento: Os autores descobriram uma fórmula simples para consertar isso. É como se eles dissessem: "Para cada árvore que você medir, multiplique o resultado por um pequeno fator extra". Isso faz com que a estimativa bata certo com a realidade.

3. O Mistério da Morte (Extinção)

A parte da extinção é mais complicada.

• O Desafio: Medir a morte é difícil porque, se uma linhagem desaparece, não sobra nada para contar. A matemática fica "presa" entre o quanto nasceu e o quanto morreu.
• A Descoberta: Eles usaram um tipo de inteligência artificial (chamada regressão simbólica) para encontrar a fórmula perfeita. Descobriram que a correção para a extinção depende de dois fatores: o tamanho da árvore e a proporção entre mortes e nascimentos.
• O Resultado: Com a nova fórmula, a estimativa de extinção fica muito mais precisa.

4. O Efeito Borboleta nos Números Finais

Quando você soma ou subtrai esses números para obter outros dados importantes, o que acontece?

• A "Rotatividade" (Turnover): Se você somar nascimentos e mortes, os erros se cancelam magicamente. O resultado final é muito preciso. É como se você estivesse adivinhando o peso total de uma caixa: se você errar um pouco para mais no peso da maçã e um pouco para menos no peso da laranja, o peso total pode sair certo.
• O "Crescimento Líquido" (Net Diversification): Se você subtrair as mortes dos nascimentos para ver o ganho real, o erro volta a aparecer. Como a estimativa de morte fica um pouco alta e a de nascimento um pouco baixa, a subtração resulta em um número que é sistematicamente menor do que a realidade. É como tentar calcular seu lucro subtraindo um custo que você superestimou de um lucro que você subestimou.

Resumo da Ópera

Os autores deste paper estão dizendo:

"Pessoal, nossas ferramentas atuais estão nos enganando, especialmente quando olhamos para grupos pequenos de espécies. Estamos subestimando o crescimento e, às vezes, errando na contagem de extinções. Mas nós criamos um novo 'manual de instruções' (fórmulas de correção) para consertar a régua. Se vocês usarem essas correções, suas estimativas sobre como a vida na Terra se diversificou serão muito mais precisas."

Em suma: Eles limparam a lente da câmera para que possamos ver a história da evolução com mais clareza, especialmente quando a história é contada em "pequenos capítulos" (árvores pequenas).

Resumo técnico

Título: Viés Estatístico e Estrutural em Modelos de Nascimento-Morte

Autores: Jeremy M. Beaulieu e Brian C. O'Meara.

---

1. O Problema

A estimativa precisa das taxas de especiação ($\lambda$) e extinção ($\mu$) a partir de árvores filogenéticas é fundamental para estudos de diversificação. No entanto, os estimadores comuns, baseados em máxima verossimilhança (ML), apresentam dois tipos principais de viés que distorcem as inferências, especialmente em amostras pequenas (clados com poucos táxons):

1. Viés Estatístico: Desvios sistemáticos nas expectativas dos estimadores em relação aos valores geradores reais. O artigo foca especificamente no fato de que o estimador padrão de Yule subestima sistematicamente a taxa de especiação.
2. Viés Estrutural: Resulta de como as funções de verossimilhança são condicionadas e de como árvores de tamanhos específicos são tratadas.
   • Muitas formulações assumem a sobrevivência do clado coroa, mas, na prática, árvores de dois táxons ($n=2$, chamadas de "árvores cereja" ou cherry trees) são frequentemente excluídas porque a verossimilhança padrão não é definida para elas ou porque não contêm informação suficiente para estimar $\lambda$ e $\mu$ separadamente.
   • Essa exclusão implícita cria uma camada adicional de condicionamento que altera a distribuição dos clados observados e infla as estimativas de taxas em clados jovens.

2. Metodologia

Os autores empregaram uma abordagem combinada de derivação analítica, simulação e regressão simbólica:

• Derivação Analítica (Modelo de Yule): Re-derivaram o viés esperado do estimador padrão de Yule ($\hat{\lambda} = (n-2)/s$, onde $s$ é a soma dos comprimentos das arestas) para demonstrar matematicamente que ele subestima $\lambda$ por um fator de $(n-2)/(n-1)$.
• Correção de Verossimilhança Condicionada: Derivaram novas funções de verossimilhança que condicionam explicitamente a probabilidade não apenas à sobrevivência do clado coroa, mas também à observação de mais de dois táxons ($n > 2$). Isso corrige o viés estrutural introduzido pela exclusão de árvores de dois táxons.
• Regressão Simbólica (Modelo Geral de Nascimento-Morte): Como a derivação analítica exata para o modelo geral (com $\mu > 0$) é intratável devido às dependências não lineares, os autores utilizaram regressão simbólica (usando o pacote gramEvol em R) para encontrar formas funcionais que minimizem o viés.
  • Simularam 250.000 árvores sob o processo de Yule e 500.000 árvores sob diversos cenários de nascimento-morte.
  • O algoritmo buscou transformações multiplicativas dos estimadores ($\hat{\theta}_{corr} = \hat{\theta} \cdot c(\cdot)$) que reduzissem a diferença entre os valores estimados e os valores geradores.
• Análise de Identificabilidade: Investigaram matematicamente por que árvores de dois táxons não permitem a identificação conjunta de $\lambda$ e $\mu$, analisando a superfície de verossimilhança e suas derivadas parciais.

3. Contribuições Principais

• Correção Analítica para Yule: Estabelecimento formal de que o estimador de Yule deve ser corrigido pelo fator $\frac{n-1}{n-2}$ para ser não tendencioso (diferente de correções empíricas anteriores como $\frac{n}{n-1}$).
• Novas Formulações de Verossimilhança: Desenvolvimento de funções de verossimilhança condicionadas a $n > 2$, eliminando o viés estrutural causado pela exclusão de árvores de dois táxons em conjuntos de dados censurados.
• Correções para o Modelo Geral: Identificação, via regressão simbólica, de correções funcionais para $\lambda$ e $\mu$ no modelo de nascimento-morte, onde o viés de $\mu$ depende tanto do tamanho da amostra quanto da fração de extinção estimada ($\hat{\epsilon} = \hat{\mu}/\hat{\lambda}$).
• Análise de Parâmetros Derivados: Avaliação de como essas correções afetam a taxa de renovação (turnover, $\lambda + \mu$) e a diversificação líquida ($\lambda - \mu$).

4. Resultados

• Viés em $\lambda$ (Especiação):

  • O estimador padrão subestima $\lambda$.
  • A correção ideal é $\hat{\lambda}_{corr} = \hat{\lambda} \cdot \frac{n-1}{n-2}$.
  • Esta correção é idêntica tanto para o processo de Yule quanto para o modelo geral de nascimento-morte, desde que a verossimilhança seja condicionada corretamente a $n > 2$.

• Viés em $\mu$ (Extinção):

  • O viés em $\mu$ é mais complexo e depende de $\hat{\epsilon}$ (fração de extinção).
  • A melhor correção encontrada é $\hat{\mu}_{corr} = \hat{\mu} \cdot \left( \frac{n}{n-1} + \hat{\epsilon} \right)$.
  • Após a correção, $\lambda$ torna-se quase não tendencioso, mas $\mu$ tende a permanecer ligeiramente superestimado.

• Parâmetros Derivados:

  • Renovação ($\lambda + \mu$): Torna-se quase não tendenciosa, pois os erros residuais de $\lambda$ (subestimativa) e $\mu$ (superestimativa) se cancelam parcialmente.
  • Diversificação Líquida ($\lambda - \mu$): Permanece sistematicamente subestimada. Como $\lambda$ é subestimado e $\mu$ é superestimado (mesmo após correção), a subtração amplifica o erro. A correção direta para a diversificação líquida requer uma fórmula específica dependente de $\hat{\epsilon}$ para mitigar esse viés.

• Identificabilidade em Árvores de Dois Táxons:

  • Confirmado analiticamente que árvores de dois táxons não contêm informação suficiente para distinguir entre taxas de especiação e extinção. A superfície de verossimilhança não possui um máximo único para $\lambda$ e $\mu$ simultaneamente. Portanto, a exclusão dessas árvores é necessária, mas deve ser acompanhada da correção de condicionamento na verossimilhança.

5. Significado e Implicações

• Precisão em Clados Pequenos: O estudo demonstra que a estimativa de taxas de diversificação em clados pequenos (ou subclados dentro de árvores maiores) é altamente suscetível a viéses estatísticos e estruturais. Ignorar esses viéses pode levar a conclusões errôneas sobre tendências de diversificação ao longo do tempo.
• Recomendações Práticas:
  • Métodos que dividem árvores em regimes (como BAMM, MEDUSA, ClaDS) devem garantir que os regimes analisados tenham pelo menos 3 táxons.
  • Deve-se utilizar as funções de verossimilhança condicionadas a $n > 2$ e aplicar as correções multiplicativas derivadas para $\lambda$ e $\mu$.
  • Para a diversificação líquida, recomenda-se cautela ou o uso de correções específicas, pois é o parâmetro mais afetado pela assimetria dos erros.
• Métodos Bayesianos: O artigo alerta que métodos Bayesianos não corrigem automaticamente esses viéses se a verossimilhança subjacente for tendenciosa. A melhor abordagem é estimar os parâmetros e, em seguida, aplicar as correções analíticas/simbólicas derivadas neste trabalho.

Em suma, o artigo fornece um quadro geral para reduzir o viés na inferência de taxas de diversificação, esclarecendo as fontes de erro e oferecendo correções práticas que melhoram significativamente a concordância entre os valores estimados e os reais.