全文链接：http://tecdat.cn/?p=31434
最近我们被客户要求撰写关于生态学进化树的研究报告，包括一些图形和统计输出。
我们围绕进化树技术进行一些咨询，分析生物类群在时间上的多样性是如何变化的
我们将用到分类单元数-时间图（Lineages-through-time plot）,该图可以用来描述物种多样化的总体趋势。
数据
3500trees.nexus是nexus格式的文件，里面有3500棵树。
besttree.nexus也是nexus格式的文件，里面有1颗树，是从3500颗树中筛选出来的一致树。
各支系图示
这棵树总共有4大支系（Lineage），现在我需要做的分析都是需要分别做总的，以及4个支系的，也就是说同样的分析要做5次，针对5组不同的对象。
分析方法
方法主要是物种多样化速率(diversification rate) 相关的内容。
trees=read.nexus("3500trees.nexus")
besttree=read.nexus("besttree.nexus")
点击标题查阅往期内容
生态学建模：增强回归树（BRT）预测短鳍鳗生存分布和影响因素
左右滑动查看更多
01
02
03
04
1.mltt plot (multiple lineage through time)
分类单元数-时间图
lingeage的数值取log的，95%置信区间的ltt plot,中间黑色线的是besttree的，要显示出来。分别做总的，以及4个支系的，共5个图。
plot(trees)
,log='y')
besttree
# 95% ltt置信区间
ltt.ci<-function(tree.all){
ntip=length(tree.all[[1]]$tip.label)
ntree=length(tree.all)
2.gamma statistic
检验分化速率的变化趋势，看γ的值是正的还是负的。结果需要得到每组的γ值及P值。
mmaStat(besttree)
## [1] -3.693285
3. Monte Carlo constant rates test
检验样品不全是否对分化速率的结果有显著的影响，应该也是每组都要做的。
mc.out <- mcmc.pop
line(tree.hiv)
plot(sk, l
4.对每个组做几个模型的检验，主要包括Pure-birth, birth-death, Yule 2-rate,density-dependent logistic,density-dependent exponential模型。
tdAICr
## --------------Model Summary----------------
##
## MODEL pureBirth
##
## Parameters: r1
##
## LH 535.1086
##
## AIC -1068.217
##
## r1 0.1817879
##
## a -1068.217
##
##
## --------------------------
## MODEL bd
##
## Parameters: r1, a
##
## LH 535.1086
##
## AIC -1066.217
##
## r1 0.1817879
##
## a 0
##
##
## --------------------------
## MODEL DDL
##
## Parameters: r1, k
##
## LH 542.2213
##
## AIC -1080.443
##
## r1 0.2537928
##
## a -1080.443
##
## k 554
##
##
## --------------------------
## MODEL DDX
##
## Parameters: r1, X
##
## LH 536.991
##
## AIC -1069.982
##
## r1 0.3098342
##
## a -1069.982
##
## x 0.1131752
##
##
## --------------------------
##
## Best Constant Rate Model = pureBirth AIC -1068.217
##
## Best Rate Variable Model = DDL AIC -1080.443
##
## delta AICrc = 12.2254
## model params np mtype LH r1 r2 a xp k
## 1 pureBirth r1 1 RC 535.1086 0.1817879 NA -1068.217 NA NA
## 2 bd r1, a 2 RC 535.1086 0.1817879 NA 0.000 NA NA
## 3 DDL r1, k 2 RV 542.2213 0.2537928 NA -1080.443 NA 554
## 4 DDX r1, X 2 RV 536.9910 0.3098342 NA -1069.982 0.113175
点击文末 “阅读原文”
获取全文完整代码数据资料。
本文选自《R语言生态学：进化树推断物种分化历史：分类单元数与时间关系、支系图可视化》。
点击标题查阅往期内容
Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户
R语言逻辑回归(Logistic Regression)、回归决策树、随机森林信用卡违约分析信贷数据集R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林分析心脏病患者
R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化
R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化
matlab使用分位数随机森林（QRF）回归树检测异常值
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
R语言中使用线性模型、回归决策树自动组合特征因子水平
R语言中自编基尼系数的CART回归决策树的实现
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
R语言基于树的方法：决策树，随机森林，Bagging，增强树
R语言实现偏最小二乘回归法 partial least squares (PLS)回归
R语言多项式回归拟合非线性关系
R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
R语言用局部加权回归(Lowess)对logistic逻辑回归诊断和残差分析
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据