我现在提出一个疑问：在使用系谱矫正后的BLUP作为G BLUP表型输入时，会出现精准度虚高现象，（双...

你这个现象（“相关/精度很高，但 top-N 的 ranksum 反而更差”）在用 （系谱矫正后的）BLUP/EBV 当作 GBLUP 的表型输入时非常典型，通常说明：** 你看到的“精度”很可能不是你真正关心的“选拔能力”，并且存在你提到的两类风险： 数据泄露和双重收缩（double shrinkage）**。

下面按逻辑把它拆开讲清楚。

---

1) 为什么“精度很高”但 ranksum 变差并不矛盾？

A. 你用的“精度”多半是全局相关指标

常见的精度是 Pearson 相关（r）、R² 或相关类的 accuracy。它更强调整体线性一致性，而不是“极端尾部（top-N）是否抓得准”。

• 如果方法把所有个体都往均值拉近（更平滑、更收缩），
  相关系数可能会变“好看”（噪声变小、点云更窄），
  但极端个体的区分度变差，于是top-N 抓错人，ranksum 就会变大（更差）。

换句话说：

相关高 ≠ top-N 选得准。
ranksum 专门看“育种/筛选决策”那一端的表现。

B. 双重收缩会“抬高相关”，但“压扁极端”

你把 **已经是 BLUP/EBV（本身就是收缩估计）**的量当作“表型”再喂给 GBLUP，等于又做了一次“用关系矩阵做正则/收缩”。

典型后果：

• 预测值分布更窄（方差被压小）
• 中间大多数个体顺序更稳定 ⇒ 全局相关容易升高
• 但真正优秀的尾部被压扁、被“拉回均值” ⇒ top-N 辨别力下降
• 所以 ranksum 变差很常见

---

2) ranksum 明显更差更像在提示什么？

在你描述的两种隐患里，ranksum 变差更像在提示“双重收缩/尾部被压扁”这个机制；
但如果“精度高得离谱”，那数据泄露也要高度警惕。

情况 1：主要是“双重收缩”（很常见）

表现特征：

• Pearson r / R² 很高
• 但 top-N 指标（ranksum、top-N 命中率、top-N 平均真实值）变差
• 预测值的方差比真实值小很多（极端不够极端）

这意味着：

“矫正后精度高”更多是因为目标变量更平滑、更接近模型假设，而不是你真的更会挑出最好的人。

情况 2：存在“数据泄露”（更危险）

最典型的泄露方式是：

• 你在计算“系谱矫正后的BLUP”时，用到了全体数据（包括你后续当作验证集/测试集的个体或其亲缘信息）
• 然后再用这些 BLUP 去做 GBLUP 的训练与评估

这样会导致：

• 看起来“精度特别高”（因为验证集信息已经混进了表型/目标里）
• 但在真正“独立、未来数据”的选拔中不一定好
  不过：泄露通常会让排名也更像“看过答案”，所以 ranksum 未必更差；你这里 ranksum 变差反而更像“双重收缩”主导，但两者可能同时存在。

---

3) 那到底是“精度虚高”还是“矫正有效”？

用一句话概括：

对“育种/选拔 top-N”的目标来说：你的结果更支持“相关精度在虚高或至少是误导性的”，而不是“矫正一定更有效”。
因为你引入的 ranksum 直接评价“挑前 N 名是否真的好”，它变差说明实际决策质量在下降。

更严谨一点说：

• 矫正可能确实降低了噪声（所以全局相关更高）
• 但它同时降低了尾部可辨识度/引入了偏差（所以 top-N 更差）
• 如果你的应用场景是“选前 N 个做留种/进下一轮”，那你更应该相信 ranksum（或同类 top-N 指标），而不是只看相关。

---

4) 建议你用这几步把“虚高 vs 真有效”彻底判清

① 严格避免泄露：BLUP/矫正必须“只用训练集算”

做交叉验证时应当：

• 每一折：用训练集拟合混合模型，得到训练集的矫正量/伪表型
• 验证集绝不能参与该模型的估计（尤其不能在同一个方程里贡献信息）

只要你用过“全体”去算 BLUP，再去拆分评估，精度几乎一定偏乐观。

② 不要直接用 BLUP/EBV 当表型；用 de-regressed 伪表型 + 权重

行业里为避免双重收缩，常见做法是：

• 用 **去回归/去收缩（de-regressed）**的 EBV/BLUP 当伪表型
• 并用其 reliability/有效信息量做权重（因为不同个体的 BLUP 精度不同）

这样能显著缓解你说的“双重收缩”。

③ 同时报告“相关 + 排名 + 尾部收益”三类指标

除了 ranksum，再加两三个更直观的：

• Spearman ρ（看排序，不看线性尺度）
• top-N 命中率（真实 top-N 里命中了多少）
• 被你选中的 top-N 的真实值均值（这才对应“遗传增益/选拔收益”）

如果相关很高但这些都差，基本可以断定：相关精度对你的目标是误导的。

④ 看“偏倚/膨胀”：回归斜率 b（true ~ a + b·pred）

• b ≪ 1 往往意味着预测被过度收缩（尾部压扁）
• b ≫ 1 可能是膨胀/泄露/尺度问题

---

结论（对应你最后两个问题）

• ranksum 明显变差说明：在“选前 N 个”的任务上，矫正后的方案更不会挑尖子，即使它的“精度/相关”很高。
• 因此，你看到的高精度很可能是虚高或至少不代表选拔有效（双重收缩是最常见原因；泄露也需要排查）。
• 是否“矫正确实有效”，要以严格无泄露的验证 + 去收缩伪表型 + top-N 指标一致变好作为判据。

如果你愿意，我可以按你现在的流程帮你画一张“可能泄露点/双重收缩点”的流程图，并给出一套最小改动的交叉验证实现方式（尤其是“每折只用训练集算伪表型/权重”的那部分）。你只要告诉我：你算“系谱矫正BLUP”的混合模型里包含哪些随机效应（A矩阵？家庭效应？批次？）以及交叉验证是按个体随机分折还是按家系/年份分折。