多位点数据区分种群增长与多重合并凝聚模型

我们引入一个位点频谱的低维函数，该函数专为区分具有多重合并的凝聚模型与具有种群增长的 Kingman 凝聚模型而定制，并利用该函数构建这些模型类之间的假设检验。该统计量的零假设与备择抽样分布难以处理，但其低维性使它们适于蒙特卡洛估计。我们基于模拟数据构建抽样核密度估计，并表明所得假设检验相比当前最先进方法的统计功效有显著提升。这一改进的关键原因在于使用了多位点数据，特别是跨不连锁位点对观测位点频谱取平均以降低抽样方差。我们还证明了我们的方法对干扰参数和调谐参数具有鲁棒性。最后我们表明，相同的核密度估计可用于进行参数估计，并论证我们的方法易于推广至模型选择、参数推断和实验设计中的应用。