Comparación de modelos de partición y mezcla con criterios de información de Akaike

Área de la Ciencia:

• Biología Computacional
• Filogenética
• Modelado Estadístico

Sus antecedentes:

• Los modelos filogenéticos con frecuencia incorporan componentes de mezcla y partición.
• Los criterios de información pueden favorecer incorrectamente los modelos de partición sobre los modelos de mezcla, incluso cuando los modelos de mezcla están mal especificados.

Objetivo del estudio:

• Investigar por qué los criterios de información favorecen los modelos de partición sobre los modelos de mezcla en el análisis filogenético.
• Explicar las diferencias fundamentales en los cálculos de probabilidad entre los modelos de mezcla y partición.
• Proponer correcciones para estimaciones de AIC no comparables.

Principales métodos:

• Análisis comparativo de los cálculos de probabilidad de los modelos de mezcla y partición.
• Examen de cómo los cálculos diferentes afectan las estimaciones del Criterio de Información de Akaike (AIC).
• Exploración de métodos generalizables para rectificar el problema.

Principales resultados:

• Los modelos de partición y mezcla difieren en el cálculo de las contribuciones de verosimilitud: los modelos de mezcla utilizan probabilidades marginales, mientras que los modelos de partición utilizan probabilidades condicionales.
• Estos distintos métodos de cálculo conducen a estimaciones de AIC no comparables.
• El estudio identifica y explora tres estrategias de corrección generalizables.

Conclusiones:

• La discrepancia en los cálculos de probabilidad es la causa raíz de que los criterios de información favorezcan los modelos de partición.
• Abordar estas diferencias de cálculo es crucial para una selección precisa de modelos en filogenética.
• Las correcciones propuestas tienen como objetivo mejorar la fiabilidad de la evaluación de modelos filogenéticos.