Implikowane ważenie

Implikowane ważenie opisuje grupę metod stosowanych w analizie filogenetycznej w celu przypisania największej wagi cechom, które z największym prawdopodobieństwem będą homologiczne . Są to a posteriori , które obejmują również ważenie dynamiczne, w przeciwieństwie do metod a priori, które obejmują kategorie adaptacyjne, niezależne i chemiczne (patrz Ważenie na stronie internetowej Amerykańskiego Muzeum Historii Naturalnej).

Pierwszą próbę wdrożenia takiej techniki podjął Farris (1969), którą nazwał ważeniem kolejnych przybliżeń, w którym konstruowano drzewo o równych wagach, a znaki, które pojawiały się na tym drzewie jako homoplazja, były redukowane na podstawie CI ( wskaźnik spójności ) lub RCI (przeskalowany wskaźnik spójności), które są miarami homologii. Analizę powtórzono z tymi nowymi wagami, a postacie ponownie zważono; kolejna iteracja była kontynuowana aż do osiągnięcia stanu stabilnego. Farris zasugerował, że każdy znak można rozpatrywać niezależnie w odniesieniu do wagi implikowanej przez częstotliwość zmian. Ostateczne drzewko zależało jednak w dużej mierze od ciężarów startowych i kryteriów wykończenia.

Najpowszechniej stosowana i wdrażana metoda, zwana ważeniem implikowanym, pochodzi od Goloboffa (1993). Gdy postać po raz pierwszy zmienia stan na drzewie, tej zmianie stanu przypisywana jest waga „1”; kolejne zmiany są mniej „kosztowne” i mają mniejszą wagę, gdy tendencja postaci do homoplazji staje się bardziej widoczna. Drzewa, które maksymalizują wklęsłą funkcję homoplazji, rozwiązują konflikt między postaciami na korzyść postaci, które mają większą homologię (mniej homoplazji) i sugerują, że średnia waga postaci jest tak wysoka, jak to tylko możliwe.

Goloboff zdaje sobie sprawę, że drzewa o największych średnich wagach dają największy „szacunek” danym: niska średnia waga oznacza, że ​​większość znaków jest „ignorowana” przez algorytmy budowania drzew.

Chociaż pierwotnie zaproponowano surową wagę k=3, Goloboff preferuje teraz bardziej „delikatne” wklęsłości (np. k = 12), które okazały się bardziej skuteczne w symulowanych i rzeczywistych przypadkach.