45、社会复杂性与演化模型的全新视角

社会复杂性与演化模型的全新视角

1. 回归模型与人类合作的统计物理方法

1.1 回归模型

经典回归方法，如最小绝对收缩和选择算子技术，能提供具有线性、凸性和可微性的模型，这些特性在描述系统性能方面备受青睐。然而，运用分析方法为复杂系统自动生成精确模型仍是一项艰巨挑战。

在比较生物学领域，如系统发育学、分类学以及针对连续和分类特征的多特征模型，人们提出了通用的数量遗传学方法，并使用马尔可夫链蒙特卡罗（MCMC）广义线性混合模型进行回归分析，同时考虑物种间的系统发育关系。

为了理解与社会复杂性相关的特征以及与社会关系复杂性相关的特征之间的关系，目前构建了以下回归模型：
1. 四个以平均亲属关系水平作为组织复杂性各特征预测变量的模型。
2. 五个以平均亲属关系水平作为关系复杂性各特征预测变量的模型。
3. 以绝对脑质量作为响应变量，分别以关系复杂性的综合度量、关系复杂性的综合度量与体重的组合、关系复杂性的综合度量与体重以及饮食/树栖性的组合作为预测变量的模型。
4. 以绝对脑质量作为响应变量，分别以平均亲属关系水平、平均亲属关系水平与体重的组合、平均亲属关系水平与体重以及饮食/树栖性的组合作为预测变量的模型。

1.2 人类合作的统计物理方法

人类合作是为了生存而奋斗的结果。在现实世界中，无血缘关系个体之间的广泛合作是人类独有的现象，人们常常为了共同利益牺牲个人利益，携手完成独自无法完成的任务。人类物种的进化成功在很大程度上归功于我们无与伦比的利他能力。然而，全面理解人类合作仍然是一个巨大的挑战。

社会科学的最新研究表明，关注个体、群体甚至社会之间相互作用所产生