Phylogenetically weighted regression: A method for modelling non‐stationarity on evolutionary trees
Notice bibliographique
Résumé
Abstract Aim Closely related species tend to resemble each other in their morphology and ecology because of shared ancestry. When exploring correlations between species traits, therefore, species cannot be treated as statistically independent. Phylogenetic comparative methods (PCMs) attempt to correct statistically for this shared evolutionary history. Almost all such approaches, however, assume that correlations between traits are constant across the tips of the tree, which we refer to as phylogenetic stationarity. We suggest that this assumption of phylogenetic stationarity might be often violated and that relationships between species traits might evolve alongside clades, for example, owing to the effects of unmeasured traits or other latent variables. Specific examples range from shifts in allometric scaling relationships between clades (e.g., basal metabolic rate and body mass in endotherms, and tree diameter and biomass in trees) to the differing relationship between leaf mass per area and shade tolerance in deciduous versus evergreen trees and shrubs. Innovation Here, we introduce an exploratory modelling framework, phylogenetically weighted regression, which represents an extension of geographically weighted regression (GWR) used in spatial studies, to allow non‐stationarity in model parameters across a phylogenetic tree. We demonstrate our approach using empirical data on flowering time and seed mass from a well‐studied plant community in southeastern Sweden. Our model reveals strong, diverging trends across the phylogeny, including changes in the sign of the relationship between clades. Main conclusions By allowing for phylogenetic non‐stationarity, we are able to detect shifting relationships among species traits that would be obscured in traditional PCMs; thus, we suggest that PWR might be an important exploratory tool in the search for key missing variables in comparative analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».