Both assortment and plasticity can facilitate social evolution, as each may generate heritable associations between the phenotypes and fitness of individuals and their social partners. However, it currently remains difficult to empirically disentangle these distinct mechanisms in the wild, particularly for complex and environmentally responsive phenotypes subject to measurement error. To address this challenge, we extend the widely used animal model to facilitate unbiased estimation of plasticity, assortment and selection on social traits, for both phenotypic and quantitative genetic (QG) analysis. Our social animal models (SAMs) estimate key evolutionary parameters for the latent reaction norms underlying repeatable patterns of phenotypic interaction across social environments. As a consequence of this approach, SAMs avoid inferential biases caused by various forms of measurement error in the raw phenotypic associations between social partners. We conducted a simulation study to demonstrate the application of SAMs and investigate their performance for both phenotypic and QG analyses. With sufficient repeated measurements, we found desirably high power, low bias and low uncertainty across model parameters using modest sample and effect sizes, leading to robust predictions of selection and adaptation. Our results suggest that SAMs will readily enhance social evolutionary research on a variety of phenotypes in the wild. We provide detailed coding tutorials and worked examples for implementing SAMs in the Stan statistical programming language.

中文翻译：

---

用于量化相互作用表型的可塑性、分类和选择的社会动物模型。

分类和可塑性都可以促进社会进化，因为每一种都可能在个人及其社会伙伴的表型和适应性之间产生可遗传的关联。然而，目前仍然难以在野外凭经验解开这些不同的机制，特别是对于受测量误差影响的复杂且对环境敏感的表型。为了应对这一挑战，我们扩展了广泛使用的动物模型，以促进对社会特征的可塑性、分类和选择的无偏估计，用于表型和数量遗传 (QG) 分析。我们的社会动物模型 (SAM) 估计了潜在反应规范的关键进化参数，这些规范是跨社会环境可重复的表型相互作用模式的基础。由于这种方法，SAM 避免了由社会伙伴之间原始表型关联中各种形式的测量误差引起的推理偏差。我们进行了一项模拟研究，以展示 SAM 的应用，并研究它们在表型和 QG 分析中的性能。通过足够的重复测量，我们发现使用适度的样本和效应大小的模型参数具有理想的高功率、低偏差和低不确定性，从而对选择和适应做出稳健的预测。我们的研究结果表明，SAM 将很容易加强对野外各种表型的社会进化研究。我们提供了详细的编码教程和工作示例，用于在 Stan 统计编程语言中实现 SAM。我们进行了一项模拟研究，以展示 SAM 的应用，并研究它们在表型和 QG 分析中的性能。通过足够的重复测量，我们发现使用适度的样本和效应大小的模型参数具有理想的高功率、低偏差和低不确定性，从而对选择和适应做出稳健的预测。我们的研究结果表明，SAM 将很容易加强对野外各种表型的社会进化研究。我们提供了详细的编码教程和工作示例，用于在 Stan 统计编程语言中实现 SAM。我们进行了一项模拟研究，以展示 SAM 的应用，并研究它们在表型和 QG 分析中的性能。通过足够的重复测量，我们发现使用适度的样本和效应大小的模型参数具有理想的高功率、低偏差和低不确定性，从而对选择和适应做出稳健的预测。我们的研究结果表明，SAM 将很容易加强对野外各种表型的社会进化研究。我们提供了详细的编码教程和工作示例，用于在 Stan 统计编程语言中实现 SAM。使用适度的样本和效应大小，模型参数的低偏差和低不确定性，导致对选择和适应的稳健预测。我们的研究结果表明，SAM 将很容易加强对野外各种表型的社会进化研究。我们提供了详细的编码教程和工作示例，用于在 Stan 统计编程语言中实现 SAM。使用适度的样本和效应大小，模型参数的低偏差和低不确定性，导致对选择和适应的稳健预测。我们的研究结果表明，SAM 将很容易加强对野外各种表型的社会进化研究。我们提供了详细的编码教程和工作示例，用于在 Stan 统计编程语言中实现 SAM。