每个物种使用多个条目的系统发育模型

我对系统发育回归模型比较陌生。过去，当我的树中每个物种只有 1 个条目时，我使用 PGLS。现在我有一个包含 9 个物种的数千条记录的数据集，我想运行一个系统发育模型。我阅读了最常见的软件包（例如 caper）的教程，但我不确定如何构建模型。

当我尝试为 caper 创建对象时，即使用：

obj <- comparative.data(phy = Tree, data = Data, names.col = species, vcv = TRUE, na.omit = FALSE, warn.dropped = TRUE)

我收到消息：

错误于row.names<-.data.frame(*tmp*，值=值）： 不允许重复的“row.names” 另外：警告消息： 设置“row.names”时的非唯一值：“Species1”、“Species2”、“Species3”、“Species4”、“Species5”、“Species6”、“Species7”、“Species8”、“Species9”

我知道我可以通过应用 MCMCglmm 模型来解决这个问题，但我不熟悉贝叶斯模型。

在此先感谢您的帮助。

这确实不适用于简单的 PGLScaper因为它不能将个体视为随机效应。我建议你使用MCMCglmm这并不复杂，并且可以让你将个体作为随机效应。您可以从包的作者那里找到优秀的文档here or here或更多处理包的某些特定方面（即树的不确定性）的替代文档here.

非常简短地让您开始：

## Your comparative data
comp_data <- comparative.data(phy = my_tree, data =my_data,
      names.col = species, vcv = TRUE)

请注意，您可以拥有一个如下所示的样本列：

   taxa        var1 var2 specimen
1     A  0.08730689    a    spec1
2     B  0.47092692    a    spec1
3     C -0.26302706    b    spec1
4     D  0.95807782    b    spec1
5     E  2.71590217    b    spec1
6     A -0.40752058    a    spec2
7     B -1.37192856    a    spec2
8     C  0.30634567    b    spec2
9     D -0.49828379    b    spec2
10    E  1.42722363    b    spec2

然后您可以设置公式（类似于简单的lm公式）：

## Your formula
my_formula <- variable1 ~ variable2

以及您的 MCMC 设置：

## Setting the prior list (see the MCMCglmm course notes for details)
prior <- list(R = list(V=1, nu=0.002),
              G = list(G1 = list(V=1, nu=0.002)))

## Setting the MCMC parameters
## Number of interactions
nitt <- 12000

## Length of burnin
burnin <- 2000

## Amount of thinning
thin <- 5

然后你应该能够运行默认的MCMCglmm:

## Extracting the comparative data
mcmc_data <- comp_data$data

## As MCMCglmm requires a column named animal for it to identify it as a phylo
## model we include an extra column with the species names in it.
mcmc_data <- cbind(animal = rownames(mcmc_data), mcmc_data)
mcmc_tree <- comp_data$phy

## The MCMCglmmm
mod_mcmc <- MCMCglmm(fixed = my_formula, 
                     random = ~ animal + specimen, 
                     family = "gaussian",
                     pedigree = mcmc_tree, 
                     data = mcmc_data,
                     nitt = nitt,
                     burnin = burnin,
                     thin = thin,
                     prior = prior)