你的系统发育树具有信息量吗？比较方法的效力测量

当基础模型不恰当或数据包含的信息不足以支持推断时，系统发育比较方法可能无法产生有意义的结果。测量这些方法的统计效力对于确保数据量跟上日益增长的模型复杂度至关重要。通过模拟，我们表明，基于信息准则的常用模型选择方法可能具有极高的错误率；这可能成为一个问题，因为估计不确定性或效力的方法尚未被广泛知晓或应用。此外，比较方法的效力可能显著依赖于数据的结构。我们描述了一种基于蒙特卡洛的方法，该方法解决了这两个挑战，并展示了这种方法如何量化并大幅减少相对于信息准则的误差。该方法还为模型参数生成了有意义的置信区间。我们展示了区分不同模型（如不同水平的选择）的效力如何随分类单元数量和系统发育树结构而变化。我们为 R 编程语言提供了 pmc（“Phylogenetic Monte Carlo”，系统发育蒙特卡洛）包的开源实现。我们希望此类效力分析成为比较方法中模型比较的常规部分。