2.5: AIC versus Bayes

Antes de concluir esta sección, quiero destacar otra diferencia en la forma en que los enfoques A I C y Bayes abordan la complejidad del modelo. Esto se relaciona con una sutil distinción filosófica que es polémica entre los propios estadísticos por lo que solo esbozaré el punto principal; vea un libro de estadísticas reales como Burnham y Anderson (2003) o Gelman et al. (2013) para más detalles. Cuando comparas factores Bayes, asumes que uno de los modelos que estás considerando es en realidad el verdadero modelo que generó tus datos, y calculas probabilidades posteriores con base en esa suposición. Por el contrario, A I C asume que la realidad es más compleja que cualquiera de sus modelos, y usted está tratando de identificar el modelo que captura de manera más eficiente la información en sus datos. Es decir, aunque ambas técnicas están llevando a cabo la selección de modelos, la filosofía básica de cómo se están considerando estos modelos es muy diferente: elegir el mejor de varios modelos simplificados de la realidad, o elegir el modelo correcto de un conjunto de alternativas.

El debate entre los enfoques bayesianos y los basados en la probabilidad a menudo se centra en el uso de los antecedentes en la estadística bayesiana, pero también es importante la distinción entre modelos y “realidad”. Más específicamente, es difícil imaginar un caso en biología comparada donde uno estaría justificado en el supuesto bayesiano de que se ha identificado el verdadero modelo que generó los datos. Esto también explica por qué los enfoques basados en A I C suelen seleccionar modelos más complejos que los enfoques bayesianos. En un marco A I C, se asume que la realidad es muy compleja y que los modelos son aproximaciones; el objetivo es averiguar cuánta complejidad adicional del modelo se requiere para explicar eficientemente los datos. En los casos en que los datos son realmente generados bajo un modelo muy simple, A I C puede errar a favor de modelos excesivamente complejos. Por el contrario, los análisis bayesianos asumen que uno de los modelos que se están considerando es correcto. Este tipo de análisis normalmente se comportará adecuadamente cuando los datos se generen bajo un modelo simple, pero puede ser impredecible cuando los datos son generados por procesos que no son considerados por ninguno de los modelos. Sin embargo, los métodos bayesianos explican la incertidumbre mucho mejor que los métodos AIC, y la incertidumbre es un aspecto fundamental de los métodos comparativos filogenéticos.

En resumen, los enfoques bayesianos son herramientas útiles para la biología comparada, especialmente cuando se combinan con técnicas computacionales MCMC. Requieren la especificación de una distribución previa y asumen que el modelo “verdadero” se encuentra entre los que se están considerando, los cuales pueden ser inconvenientes en algunas situaciones. Un marco bayesiano también nos permite dar cuenta mucho más fácilmente de la incertidumbre filogenética en el análisis comparativo. Muchos biólogos comparativos son pragmáticos, y utilizan cualquier método disponible para analizar sus datos. Este es un enfoque razonable pero hay que recordar los supuestos que subyacen a cualquier resultado estadístico.