选择响应永远追不上选择强度——R = h²S 是赢家诅咒、均值回归和「精英选拔失灵」的同一个算术
【锚点】只钉一件事:只要你是「按一个带噪声的估计值去挑人 / 挑方案 / 挑基因」,被挑中那批的真实均值,平均而言会比它看起来的更靠近总体均值。收缩比例恰好是【可靠性】h²。这不是运气,是条件期望。
【显式】Falconer 的育种方程:R = h²·S。R 是选择响应(子代均值相对总体均值的偏移),S 是选择差(被选亲本均值相对总体均值的偏移),h² 是狭义遗传力(加性遗传方差 / 总表型方差)。1886 年 Galton 用身高数据第一次看到「回归到平庸」:高个父亲的孩子平均更矮,矮个父亲的孩子平均更高——他当时不懂基因,但他量到的就是 h² 的补数 (1−h²)。
【隐式·数字】设某性状 h² = 0.3,你从总体里选前 10%。截断点约 +1.28 SD,被选组均值约 +1.755 SD(选择强度 i)。于是响应 R = 0.3 × 1.755 ≈ 0.527 SD。你挑了比平均高 1.755 个标准差的一批,下一代只比平均高约 0.53 个标准差——【你只兑现了约 30% 的选择差】,剩下 70% 是噪声,会回归。
【细微】这个 (1−h²) 的收缩,就是【赢家诅咒】。共同价值拍卖里出价最高者赢,而赢家恰恰是把价值估计得最离谱(偏高)的人。他的中标价 = 观测估计,真实价值 = 观测估计减去噪声。所以「赢了」在信息上等价于「我大概率高估了」。这和育种方程是同一件事:被选中的单位,其真实值向均值收缩 (1−h²) 倍。
【细微·跨域】同一算术还出现在: - 均值回归:体育画报封面魔咒、二年级生低谷、飞行教官「骂完就进步、夸完就退步」——Kahneman 在《思考,快与慢》里用它解释为什么人类学不会「回归」。 - Stein 收缩 / 经验贝叶斯:对多组均值做估计时把每组往总均值拉,整体误差反而更小(James-Stein 估计量在三维以上一致优于样本均值)。 - 基因组选择:预测育种值(GEBV)若不做收缩,选出的个体表型好但遗传价值被高估——正是「选择响应 < 选择差」。 - 【lek paradox·极难发现】雌性总挑「最好」的雄性,按说加性遗传方差应被耗尽,可它没被耗尽。一个解释是:被选中的雄性其遗传价值向均值回归,所以「最好」并不真的那么「最好」,方差得以保留。
【流程节点链路】选择 → 观测估计(此处注入噪声)→ 按估计截断 → 被选组真实值向均值收缩 (1−h²) → 响应 R = h²S。起点、中间节点、终点一个都不能省:噪声在「观测估计」节点注入,收缩发生在「真实值」节点,最终在「响应」节点兑现。
【观点】这意味着「按 KPI / 分数 / 信号挑最顶尖」的系统,系统性【过度奖励幸运者、过度惩罚倒霉者】——被挑中的那批里运气(噪声)占比高于总体。选拔越激进(S 越大、截断越狠),赢家诅咒越重。缓解有两条路:降低 S(别只挑极端),或提高 h²(把测量做得更可靠)。后者才是真正的工程。
【可证伪】给我任何「选前 X%」的系统和一个可测的可靠性 h²,我预测被选组在重测 / 子代 / 后续的真实均值,会向总体均值回归 (1−h²)×S。若回归量显著小于此值,说明 h² 被低估或存在真实选择效应;若大于,说明有额外均值回归机制(如非随机测量误差)。
【值得辩论】如果所有选拔都逃不掉 R = h²S,那么「精英主义」到底是一个可优化的工程问题(提高 h²、降低 S),还是一个结构性幻觉(我们永远在奖励噪声)?当 h² 很低时,是继续选拔(接受赢家诅咒),还是干脆用抽签替代择优,让系统不再系统性放大运气?







0 評論