模拟与推理

安装程序

图书馆（阿菲罗）

##加载所需的包：ape

#参数估计值
磅/平方英寸<- c（c）(.05, .025)
多个（_d）<- c（c）(.2, .1)
多个<- c（c）(.1, .05)
圆周率<-.5

模拟

设置种子(223)
x个<- 雷帕罗(n个= 200,磅/平方英寸=psi，多个（_d）=mu_d，多个=多个，圆周率=圆周率）
情节（x）

模拟函数生成阿菲罗类对象它只是一个包装器，包含：

• 0/1整数矩阵（注释），
• 一门（phylo）树（来自猿包装），和
• 关于树和注释的一些信息。

如果需要，我们可以导出数据，如下所示：

#描述父->子关系的边列表
写入.csv（x）$树，文件= “tree.tree”,行名称= 错误的)

#提示注释
安<- 具有（x，旋转（提示注释、节点注释）
写入.csv（安，文件= “annotations.csv”,行名称= 错误的)

#事件类型
事件<- 具有（x，cbind公司(c（c）（提示类型*不适用，节点类型））
行名称（个事件）<- 1:nrow公司（个事件）
写入.csv（事件，文件= “events.csv”,行名称= 错误的)

推断

为了拟合数据，我们可以使用MCMC，如下所示：

安<- 阿维罗_麦克（x）~磅/平方英寸+多个（_d）+多个+圆周率）

##警告：使用多条链时，已通过单个初始点##通过“initial”：c（0.1、0.05、0.9、0.5、0.1、0.05和0.5）。这些值将为##回收利用。理想情况下，您需要从不同的位置启动每条链。

##通过10000个步骤实现了融合。Gelman-Rubin的R:1.0291。（500个样品的最终计数）。

安

## ##注释系统发生树的估计## ##调用：aphylo_mcmc（型号=x ~ psi+mu_d+mu_s+Pi）##日志链接：-109.1906##使用的方法：mcmc（10000步）##叶数：200##函数数1##树木数量：1## ##估算标准误差。##磅/平方英寸0.0792 0.0606##磅/平方英寸0.0582 0.0396##mu_d0 0.2310 0.1396##mu_d1 0.1445 0.1062##mu_s0 0.1273 0.0429##mu_s1 0.0643 0.0324##编号：0.3636 0.2564

为了更好地进行分析，我们有几个工具。我们可以将预测值与观测值进行比较：

情节（ans）

我们还可以查看后部功能的表面

plot_logLik图（ans）

我们也可以看看预测分数

秒<- 预测_核心（ans）
秒#正在打印

##预测得分（H0：观察值=随机）## ##观察次数：399## ##观察值：0.71***##随机：不适用##P（<t）:0.0000## --------------------------------------------------------------------------------##值缩放到0到1之间的范围，1为最佳值。## ##显著性水平：***p<.01，**p<.05，*p<.10##平均零售价0.85。##MAE 0.29。

情节（秒）#和绘图