Promoting the use of phylogenetic multinomial generalised mixed-effects model to understand the evolution of discrete traits
Notice bibliographique
Résumé
Phylogenetic comparative methods (PCMs) are fundamental tools for understanding trait evolution across species. While linear models are widely used for continuous traits in ecology and evolution, their application to discrete traits, particularly ordinal and nominal traits, remains limited. Researchers sometimes recategorise such traits into binary traits (0 or 1 data) to make them more manageable. However, this risks distorting the original data structure and meaning, potentially reducing the information it initially contained. This paper promotes the use of phylogenetic generalised linear mixed-effects models (PGLMMs) as a flexible framework for analysing the evolution of discrete traits. We introduce the theoretical foundations of PGLMMs and demonstrate how univariate and multivariate versions of binary PGLMMs, which might be more familiar to evolutionary biologists, can be conceptually extended to model ordinal and nominal traits. Specifically, we describe ordered and unordered multinomial PGLMMs for ordinal and nominal traits, respectively. We then explain how to interpret regression coefficients and (co)variance components, including associated statistics (e.g., phylogenetic heritability and correlation) from PGLMMs for discrete traits. Using real-world examples from avian datasets, we illustrate the practical implementation of PGLMMs to reveal evolutionary patterns in discrete traits. We also provide online tutorials to guide researchers through the application of these models using Bayesian implementations in R. By making complex models more accessible, we aim to facilitate a more precise and insightful understanding of the evolution and function of discrete traits, which have received relatively limited attention in evolutionary biology so far.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».