数据集概述
本数据集围绕高维系统发育比较方法展开，包含惩罚似然框架的理论方法及应用案例。框架用于解决高维性状（p）接近或超过物种数量（n）时的参数估计与模型比较问题，支持BM、EB、OU等进化模型分析。应用案例以新世界猴脑形态三维数据为例，验证方法有效性，数据集含补充材料与代码文件。
文件详解
- 补充材料文件
- 文件名称：Supplementary_Material_Clavel_et_al.docx
- 文件格式：DOCX
- 字段映射介绍：包含惩罚似然框架的理论细节、模拟实验结果、新世界猴脑进化分析的补充说明等内容
- 代码文件包
- 文件名称：R_codes.zip
- 文件格式：ZIP
- 字段映射介绍：压缩包内含R语言代码，实现惩罚似然方法的参数估计、模型比较、祖先状态重建及系统发育PCA等功能，对应RPANDA和mvMORPH包的实现逻辑
数据来源
论文“A penalized likelihood framework for high-dimensional phylogenetic comparative methods and an application to new-world monkeys brain evolution”
适用场景
- 高维系统发育模型参数估计: 用于解决性状数量接近或超过物种数量时的进化性状协方差矩阵及模型参数估计问题
- 进化模型比较分析: 基于广义信息准则（GIC）实现BM、EB、OU等多模型的高效比较
- 祖先性状状态重建: 利用惩罚似然方法重建高维性状的祖先状态
- 系统发育PCA分析: 实现高维系统发育数据的主成分分析
- 生物形态进化研究: 以新世界猴脑形态数据为例，分析形态进化轨迹与生态辐射的关系
- 进化生物学方法验证: 通过模拟数据验证惩罚似然框架在高维场景下的统计性能提升
