系统发育比较方法（Phylogenetic comparative methods，简称 PCM或 PCMs）是一类在统计分析中明确利用生物谱系之间的系统发育关系，以检验演化假说的方法体系，是现代演化生物学的重要组成部分。

应用方向
PCM 依研究目的大致可分为两大方向：

性状随时间的演化过程：利用数学模型（如布朗运动、奥恩斯坦-乌伦贝克过程、Early Burst等）推断性状的、方向性、选择强度或祖先状态，并检验不同性状间的演化关联与功能假说。

谱系分化的驱动因素与动态：研究哪些因素影响物种形成与灭绝，以及（diversification rate）如何随生物性状、地理或环境变化而改变。此类研究常使用 SSE（state-dependent speciation and extinction）模型家族等方法。

PCMs 的输入基本数据主要有两类：

系统发育树（拓补结构与枝长作为已知输入，可基于遗传分子、形态或综合数据构建）；

现生或已灭绝类群的性状值（形态、生态、行为、生理、基因表达等）。

需注意，PCMs 不用于推断系统发育树本身，而是将系统发育树视为已知条件。虽可通过贝叶斯框架下的后验树或最大似然法的自助抽样树集成来处理拓扑的不确定性，但建树本身属于系统发育学（phylogenetics）的范畴。

多数关于 PCMs 的研究聚焦于现生生物，但许多方法亦可应用于已灭绝类群，并能整合化石记录、地质指标、古气候重建等资料，甚至可在模型中纳入地球历史中的渐进性或突发性事件（如大气氧含量、火山活动或重大灭绝事件）。

统计学框架
PCM 旨在以数学模型描述生物性状随时间的演化过程，并借助现代统计学方法评估模型能否合理解释观测到的数据。由于演化通常跨越极长的时间尺度，可依赖大数定律将复杂的生物过程抽象化为可分析的统计结构，从而估计具有生物学意义的参数，并在候选模型之间进行客观的模型选择。

传统的假說檢定虽适用性广泛，但在领域中往往存在局限。传统方法以零假设为核心，通过比较统计量与其在零假设下的理论分布并计算P值以决定是否拒绝零假设，然而在实践中常出现以下两类问题：

许多零假设在生物学上缺乏实际意义。比较生物学中的零假设通常假定两个物种或生物系統的真实参数完全相等，例如“物种 A 与物种 B 的平均体型无差别”。然而，鉴于物种间普遍存在生态、遗传与演化历史方面的差异，这种“完全无差异”的情境在实际自然界中几乎不存在，使得传统的零假设在生物解释上缺乏现实意义，也难以回答研究者真正关心的问题。

传统的零假设检验框架在统计理念上以控制第一型错误（假阳性）为主要目标，因此在设计上常较少关注第二型错误（假阴性）及统计功效，可能导致对数据中的有效信息利用不足。

综上，以零假设为核心的检验方式并非总是最具解释力的策略。因此在 PCM 中，参数估计与模型选择多采用最大似然与贝叶斯统计两大理论框架。

最大似然法
最大似然方法通过寻找使观测数据出现概率最大的参数值，从而提供直接且意义明确的参数估计。

似然框架也支撑模型选择：若两个模型为关系，可采用比较其；在更一般的模型集合中，则可使用赤池信息量准则（AIC）或（在样本量较小时）AICc，综合考量模型复杂度与拟合度。AIC 允许对候选模型进行优劣排序，并可通过赤池权重（Akaike weight，即基于 AIC 值计算的相对支持度）评估每个模型作为“最佳近似”的可能性。

贝叶斯统计
贝叶斯框架通过贝叶斯定理将先验知识与观测数据结合，从而得到后验分布，即模型或参数在给定数据下的概率分布。由于后验分布通常需要巨大的计算量，实际运算多借助马尔可夫链蒙特卡洛（MCMC）方法，通过大量的随机抽样来获得接近真实后验的分布。

贝叶斯方法可自然表达参数的不确定性，并可计算，基于边缘似然来比较模型的支持度。

区别
在数据稳健、模型设定合理的情况下，最大似然和贝叶斯方法常可得到一致结论，但在对先验的依赖、对复杂度的偏好，以及结果的解释方式上存在根本差异。

贝叶斯推断依赖于先验设定，且基于“候选模型集合中存在真实模型”的假设，这与 AIC 所采用的理论基础不同。

AIC 假设现实世界比任何候选模型都更复杂，因此寻求的是“误差最小且描述效率最高的近似模型”（即在尽量少的参数或模型复杂度下，尽可能准确地描述数据背后真实过程），通常会偏向能够更好捕捉数据结构的较复杂模型。贝叶斯方法则假设候选模型集合包含真实的数据生成模型，因此在模型选择上倾向更保守。

历史
达尔文在《物种起源》中就已指出，物种之间的相似性与差异具有重要演化意义，而谱系的共同祖先关系意味着性状演化并不独立。正是这一认识推动了现代系统发育比较方法的发展。

现代 PCMs 的核心思想源自美国演化生物学家约瑟夫·费尔森斯坦（Joseph Felsenstein）于1985年提出的观点：由于不同物种往往从共同祖先处继承部分性状相似性，而这些相似并非由研究变量独立产生，因此比较分析必须明确纳入系统发育树所提供的协方差结构，以区分“继承的相似”与“独立演化的关联”。

为解决这一问题，费尔森斯坦提出了著名的系统发生独立对比（Phylogenetically Independent Contrasts, PICs）方法，其本质是将传统的线性回归等统计模型转换为适用于具有系统发育相关性的数据的形式。具体而言，PICs 并不直接使用系统树末端的物种性状进行回归，而是基于系统树的每一个分叉节点计算“独立对比值”（contrasts），即系统树上分叉两侧性状值的方差标准化对比值（variance-standardized contrast）。这些对比值在统计性质上彼此独立，可视为研究中的。尽管系统树端点的物种性状难以被视为独立样本，分叉节点产生的对比值却较符合经典统计学的独立性假设，使得标准的回归或相关分析得以有效应用。

自费尔森斯坦的奠基性工作以来，各式 PCMs 方法接连被开发，应用范围不断扩展，使其适用于连续性状、离散性状、多态性状等多类型数据，并由此被用于回答更多类型的演化生物学问题，甚至扩展至生态学、行为学与社会科学等领域。

早期 PCMs 多用于检验关于物种适应性的演化生物学假设，通过控制系统发育非独立性避免虚假相关。然而随着方法学体系的拓展，现代文献通常将凡在统计建模框架中显式利用系统发育树作为结构信息的方法统称为 PCMs。

參考文獻