The Ornstein-Uhlenbeck (OU) model is widely used in comparative phylogenetic analyses to study the evolution of quantitative traits. It has been applied to various purposes, including the estimation of the strength of selection or ancestral traits, inferring the existence of several selective regimes, or accounting for phylogenetic correlation in regression analyses. Most programs implementing statistical inference under the OU model have resorted to maximum-likelihood (ML) inference until the recent advent of Bayesian methods. A series of issues have been noted for ML inference using the OU model, including parameter non-identifiability. How these problems translate to a Bayesian framework has not been studied much to-date and is the focus of the present article. In particular, I aim to assess the impact of the choice of priors on parameter estimates. I show that complex interactions between parameters may cause the priors for virtually all parameters to impact inference in sometimes unexpected ways, whatever the purpose of inference. I specifically draw attention to the difficulty of setting the prior for the selection strength parameter, a task to be undertaken with much caution. I particularly address investigators who do not have precise prior information, by highlighting the fact that the effect of the prior for one parameter is often only visible through its impact on the estimate of another parameter. Finally, I propose a new parameterization of the OU model that can be helpful when prior information about the parameters is not available.

中文翻译：

---

使用 Ornstein-Uhlenbeck 模型对比较数据进行贝叶斯分析：潜在的陷阱

Ornstein-Uhlenbeck (OU) 模型广泛用于比较系统发育分析，以研究数量性状的进化。它已被应用于各种目的，包括估计选择或祖先特征的强度，推断几种选择方案的存在，或在回归分析中解释系统发育相关性。在最近贝叶斯方法出现之前，大多数在 OU 模型下实现统计推断的程序都采用了最大似然 (ML) 推断。使用 OU 模型的 ML 推理存在一系列问题，包括参数不可识别性。迄今为止，尚未对这些问题如何转化为贝叶斯框架进行过多研究，这是本文的重点。尤其是，我的目标是评估先验选择对参数估计的影响。我表明参数之间的复杂交互可能会导致几乎所有参数的先验以有时意想不到的方式影响推理，无论推理的目的是什么。我特别提请注意为选择强度参数设置先验的难度，这是一项需要非常谨慎的任务。我特别针对没有精确先验信息的研究人员，通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才可见。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。我表明参数之间的复杂交互可能会导致几乎所有参数的先验以有时意想不到的方式影响推理，无论推理的目的是什么。我特别提请注意为选择强度参数设置先验的难度，这是一项需要非常谨慎的任务。我特别针对没有精确先验信息的研究人员，通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才可见。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。我表明参数之间的复杂交互可能会导致几乎所有参数的先验以有时意想不到的方式影响推理，无论推理的目的是什么。我特别提请注意为选择强度参数设置先验的难度，这是一项需要非常谨慎的任务。我特别针对没有精确先验信息的研究人员，通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才可见。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。我特别提请注意为选择强度参数设置先验的难度，这是一项需要非常谨慎的任务。我特别针对没有精确先验信息的研究人员，通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才可见。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。我特别提请注意为选择强度参数设置先验的难度，这是一项需要非常谨慎的任务。我特别针对没有精确先验信息的研究人员，通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才可见。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才能看到这一事实。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。通过强调先验对一个参数的影响通常仅通过其对另一个参数的估计的影响才能看到这一事实。最后，我提出了一种新的 OU 模型参数化方法，当有关参数的先验信息不可用时，它会很有帮助。