pbd_ML演示

Richel Bilderbeek和Rampal S.Etienne

2017-05-04

本文演示了如何使用该软件包来获得持久性出生-死亡物种形成模型的最大似然估计。

首先是加载PBD包本身：

远程管理(列表= 最小二乘法())图书馆（PBD）

我们还需要猿猴分支次数:

图书馆（猿）

这里我们用已知参数模拟一棵树：

种子<- 43
设置种子（种子）b_1<- 0.3 #优良物种的物种形成率镧_1<- 0.2 #形态完成率b2类<- b_1#早期物种的物种形成率mu_1<- 0.1 #优良物种灭绝率μ2<- mu_1#早期物种灭绝率部分<- c（c）（b_1，la_1，b2，mu_1，mu_2）年龄<- 15 #模拟时代系统发育<- pbd模拟信号(部分=第，年龄=年龄）情节（系统发育$recontree）

情节（系统发育$igtree.existant）

##没有提供颜色。使用以下图例：##g i公司##“黑色”“红色”

情节（系统发育$tree）

姓名（系统发育）

##[1]“tree”“stree_random”“stree_oldest”“stre_young”##[5]“L”“sL_random”“sL1_oldest”“sL2_yourning”##[9]“igtree.灭绝”“igtree.extent”“recontree”“reconL”##[13]“L0”

现在我们尝试通过最大似然估计恢复参数：

快速公交系统<- 分支.次（系统发育$recontree）#分支时间初始化（_b）<- 0.2  #物种活化率初始化mu_1<- 0.05  #良种灭绝率初始化_ la_1<- 0.3 #形态完成率
#init_mu_2<-0.05#未使用的早期物种灭绝率#

#必须优化的参数的初始值初始部分选择<- c（c）（init_b、init_mu1、init_la_1）#早期物种和优良物种之间的灭绝率相等外部设备<- 真的

#分枝时间的第一个要素是树冠年龄（而不是树干年龄）系统芯片<- 2

#系统发育的非着色条件
#因为我选择了一个很好的系统发育康德<- 1

#给出系统发育的可能性（而不是分支时间的可能性）b形<- 1

现在可以执行最大似然估计：

第页<- pbd_ML（可编程逻辑控制器）(快速公交系统=快速公交系统，初始化parsopt=初始化parsopt，外部设备=外部设备，系统芯片=系统芯片，康德=条件，b形=b变形，冗长的= 错误的)

ML参数估计值为：

编织：：卡布尔的（r）

将已知真值与恢复值进行比较：

loglik_true（对数_真）<- PBD:：pbd日志链接（第，快速公交系统=快速公交系统）

##参数：0.3、0.2、0.3、0.1、0.1，对数似然：-37.324677

数据流<- as.data.frame格式（r）数据流<- 旋转（df，c（c）（b_1、mu_1、la_1、mu_2、loglik_true、，不适用，不适用))行名称（df）<- c（c）(“ML”，“正确”)编织：：卡布尔的（df）

理想情况下，所有参数列都应该具有相同的值。

为了测试ML估计的不确定性，我们可以进行参数引导。

功能pbd引导程序包括几个步骤：

1. 进行ML估算
2. 用这些估计值进行模拟
3. 对模拟数据进行ML估计
4. 根据endmc的设置转至2。

末端MC<- 10 #设置引导的模拟数b条<- pbd引导(快速公交系统=快速公交系统，初始化parsopt=初始化parsopt，外部设备=外部设备，系统芯片=系统芯片，康德=条件，b形=b变形，布洛特= 错误的，末端MC=endmc、，种子=种子)

##正在查找最大似然估计。。。## ##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-37.25841##优化可能性-这可能需要一段时间。## ##最大似然参数估计：b:0.281715，mu_1:0.100335，lambda_1:0.206352，mu_2:0.100325##最大对数似然：-37.122103##这些参数的物种形成预计持续时间为：2.807343##这些参数的物种形成持续时间中位数为：2.206200##引导。。。## ##模拟数据集（满分10个）##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-22.03909##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.375753，mu_1:0.311977，lambda_1:0.230678，mu_2:0.311978##最大对数似然：-21.596081##这些参数的物种形成预计持续时间为：2.030928##这些参数的物种形成持续时间中位数为：1.543204##模拟数据集2/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-57.99061##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.312123，mu_1:0.081059，lambda_1:0.190419，mu_2:0.0810.59##最大对数似然：-57.720450##这些参数的物种形成预计持续时间为：2.943368##这些参数的物种形成持续时间中位数为：2.365253##模拟数据集3/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-115.261##优化可能性-这可能需要一段时间。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。##使用的参数值会导致数值问题。## ##最大似然参数估计值：b:751.298215，mu_1:751.000348，lambda_1:0.004574，mu_2:751.00048##最大对数似然：-111.629201##这些参数的物种形成预计持续时间为：0.386462##这些参数的物种形成持续时间中位数为：0.310353##模拟数据集10个中的4个##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-107.9402##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.271860，mu_1:0.000000，lambda_1:0.126555，mu_2:0.000000##最大对数似然：-106.870092##这些参数的物种形成预计持续时间为：4.218409##这些参数的物种形成持续时间中位数为：3.570808##模拟数据集5/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-47.84195##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.709877，mu_1:0.574456，lambda_1:0.225125，mu_2：0.574456##最大对数似然：-46.601652##这些参数的物种形成预计持续时间为：1.643556##这些参数的物种形成持续时间中位数为：1.279479##模拟数据集6/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-187.144##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:13.979806，mu_1:13.679004，lambda_1:0.020678，mu_2:13.679005##最大对数似然：-183.432908##这些参数的物种形成预计持续时间为：1.413933##这些参数的物种形成持续时间中位数为：1.171087##模拟数据集7（共10个）##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-41.38109##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.492110，mu_1:0.309936，lambda_1:0.059444，mu_2:0.30993##最大对数似然：-40.448749##这些参数的物种形成预期持续时间为：4.546741##这些参数的物种形成持续时间中位数为：3.828187##模拟数据集8/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-87.55681##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.300024，mu_1:0.000001，lambda_1:0.153513，mu_2:0.0000001##最大对数似然：-86.151794##这些参数的预计物种形成持续时间为：3.610683##这些参数的物种形成持续时间中位数为：3.031341##模拟数据集9/10##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-100.522##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.209810，mu_1:0.000000，lambda_1:0.393479，mu_2:0.000000##最大对数似然：-99.916686##这些参数的物种形成预计持续时间为：2.036930##这些参数的物种形成持续时间中位数为：1.540704##10个模拟数据集中的10个##您正在优化b mu_1 lambda_1##你什么都没修好##早期物种的灭绝率与优良物种完全相同。##初始参数值的可能性为-61.11511##优化可能性-这可能需要一段时间。## ##最大似然参数估计值：b:0.173103，mu_1:0.000000，lambda_1:0.890545，mu_2:0.000000##最大对数似然：-60.368468##这些参数的物种形成预计持续时间为：1.026129##这些参数的物种形成持续时间中位数为：0.738873

编织：：卡布尔的（b）[[三]])

从bootstrap分析中，我们得到

• 同样，ML估计
• 模拟的ML估计与这些估计一起运行

将其放入表格中：

分布式电源<- 旋转（df，列表(b条=b条[[1]]十亿美元，mu_1=b条[[1]]$mu_1，λ_1=b条[[1]]$lambda_1，二氧化锰=b条[[1]]$mu_2，洛格里克=b条[[1]]$loglik，美元，数据流=b条[[1]]$df，转换=b条[[1]]$转换),列表(b条=b[[三]]十亿美元，mu_1=b条[[三]]$mu_1，λ_1=b条[[三]]$lambda_1，二氧化锰=b条[[三]]$mu_2，loglik公司=b[[三]]$loglik，美元，数据流=b条[[三]]$df，转换=b条[[三]]$转换))分布式电源

##b mu_1λ_1 mu_2 loglik df conv##ML 0.2817166 1.003351e-01 0.206350020 1.003351-01-37.12210 3 0##真实值0.30000001.00000e-01 0.200000001.00000e-01-37.32468 NA NA##3 0.2817148 1.003351e-01 0.206351748 1.003351-01-37.12210 3 0##4 0.3757529 3.119773e-01 0.230678073 3.119773e-01-21.59608 3 0##5 0.3121229 8.105904e-02 0.190419381 8.105904 e-02-57.72045 3 0##6 751.2982150 7.510003e+02 0.004573677 7.510003e+02-111.62920 3 0##7 0.2718601 3.331886e-08 0.12655041 3.331886-08-106.87009 3 0##8 0.7098773 5.744562e-01 0.225124828 5.744562-01-46.60165 3 0##9 13.9798056 1.367900e+01 0.020678046 1.367900 e+01-183.43291 3 0##10 0.4921098 3.099361e-01 0.059443526 3.099361 e-01-40.44875 3 0##11 0.3000241 1.094309e-06 0.153512850 1.094309-06-86.15179 3 0##12 0.2098101 4.833861e-08 0.393479254 4.833861-08-99.91669 3 0##13 0.1731033 9.079251e-10 0.890545200 9.079251-10-60.36847 3 0

行名称（差分）<- c（c）(“ML”，“正确”，“ML2”，粘贴(“BS”，1：endmc，9月= ""))编织：：卡布尔的（差分）

我们期望行ML和ML2是相同的。他们的价值观确实非常相似。

我们可以计算

ml_b（百万磅）<- b条[[1]]十亿美元ml_mu_1<- b条[[1]]$mu_1ml_la_1<- b条[[1]]λ_1美元ml_mu_2<- b条[[1]]$mu_2ml参数1<- c（c）（ml_b、ml_mu_1、ml_la_1、ml _mu_2）ml_pars2<- c（c）（电导率、btorf、soc、，0，“lsoda”)我<- pbd日志链接(第1部分=ml_pars1，第2部分=ml_pars2，快速公交系统=快速交通工具)打印（l）

## [1] -37.1221

#创建.md、.html和.pdf文件setwd（粘贴（getwd（），“vignettes”，sep=“/”））针织（“PBD_ML_demo.Rmd”）markdown:：markdown ToHTML（'PBD_ML_demo.md'，'PBD_ML_demo.html'，options=c（“use_xhml”））系统（“pandoc-s PBD_ML_demo.html-o PBD_ML_demo.pdf”）