La malédiction du gagnant est une forme de biais de sélection qui survient lorsque les estimations sont obtenues pour un grand nombre de caractéristiques, mais qu'un sous-ensemble des estimations les plus extrêmes est uniquement rapporté. Elle se manifeste lors de tests de signification à grande échelle ainsi que dans la sélection basée sur le rang, et met en péril la reproductibilité des résultats et la conception des études de suivi. Plusieurs méthodes corrigeant ce biais de sélection ont été proposées, mais des questions demeurent quant à leur susceptibilité à la dépendance entre les caractéristiques, les analyses théoriques et les études comparatives étant peu nombreuses. Nous prouvons que l'estimation via la formule de Tweedie est biaisée en présence d'une forte dépendance, et proposons une convolution de son estimateur de densité pour restaurer ses performances compétitives, ce qui aide également d'autres méthodes de Bayes empiriques. De plus, nous réalisons une étude de simulation complète comparant différentes classes de méthodes de correction de la malédiction du gagnant pour les estimations ponctuelles ainsi que pour les intervalles de confiance sous dépendance. Nous constatons qu'une méthode de bootstrap et des méthodes de Bayes empiriques avec convolution de densité donnent les meilleurs résultats pour corriger le biais de sélection, bien que cette correction n'améliore généralement pas le classement des caractéristiques. Enfin, nous appliquons les méthodes à une comparaison de modèles de prédiction à caractéristique unique par rapport à des modèles à plusieurs caractéristiques pour prédire les phénotypes de Brassica napus à partir de données d'expression génique, démontrant que la supériorité du meilleur modèle à caractéristique unique peut être illusoire.
Hawinkel et al. (Mar) ont étudié cette question.