单一模型的GWAS结果过拟合并不意味着该表型不受SNP效应的影响
需要将可用的模型全部测试之后才能确认。BLINK和GLM通常用于测试，但其他模型也需要进行分析后才能得到结论
（1）直接计算x和y的相关性：一般线性模型(GLM)
由于直接进行回归分析，不涉及其他条件，可能存在较多的假阳性问题。
（2）矫正假阳性：混合线性模型(MLM)
在模型中插入了亲缘关系矩阵，剔除群体本身的遗传差异以得到更准确的结果。
（3）降低过滤阈值：压缩混合线性模型(CMLM)
MLM矫正过于严格，一些实际相关的SNP标记也会被过滤掉，因此最好的选择是直接找到那些假阴性的SNP标记并将其剔除掉。（倒洗澡水的时候把孩子也倒掉了）将个体按照亲缘关系的相似性进行分组，组内个体的亲缘关系都是一样的。根据个体遗传关系的相似性，把大量的个体压缩到数个组，然后用组当做协变量，消除了部分数亲缘关系的协变量影响。
（4）SUPER(Settlement of Kinship Under Progressively Exclusive Relationship, 逐步排他性亲缘关系解决方案)
重新计算亲缘关系矩阵，使用跟表型相关的所有SNP，但是排除掉测试用的SNP来重新构建亲缘关系矩阵。
(5)FarmCPU(Fixed And Random Model Circuitous Probability Unification)
首先把随机效应模型的亲缘关系矩阵（kinship）转换为固定效应的关联SNP矩阵（QTN）以提升计算速度。其次利用QTN矩阵当做协变量时，重新做关联分析，准确率也会提升。
(6)Blink
在SUPER和FarmCPU应用的时候，有一个关键的点是把bin（一段区域，比如10kb）当做SNP单位，而不是单个的SNP。这就好造成一个问题，因为基因在染色体上不是均匀分布的，LD（连锁不平衡距离）在不同位置也不一样大。所以根据实际染色体位置选择对应的bin大小是更加可行的策略。
如上面的实例图，在进行GWAS分析时候，先用上方的GLM模型获得QTNs，然后用右侧的GLM以QTNs当做协变量进行SNP检测，得到的SNP根据LD信息确定QTNs的信息，进而利用左侧的GLM以BIC（Bayesian information criterion）策略进行QTNs准确性检测，排除假设错误的部分，保留真实的QTNs，这是一个循环，然后重复不断进行，直到检测到所有关联SNP（也就是QTNs）。