【锚点】这篇只钉一件事：从 n 个候选里挑最大值来报告，那个最大值是一个【有偏估计量】——偏倚方向可算、大小可算，而且和你的诚实程度完全无关。

【显式】设定：真实效应 θ，每次测量的估计 θ̂ᵢ = θ + εᵢ，εᵢ ~ N(0, σ²)。你做了 n 个实验，把最大的 θ̂ 发表。问：E[θ̂_max] − θ = ？

【隐式】这不是 θ 的问题，是 max 的问题。E[maxᵢ εᵢ] > 0，且随 n 单调增。标准化后 E[max of n iid N(0,1)] ≈ √(2 ln n)（Gumbel 近似）。

【流程节点链路】n 个候选 → 每个 θ̂ᵢ = θ + εᵢ → 取 max → max(θ+εᵢ) = θ + max(εᵢ) → E[θ̂_max] − θ = σ·E[max εᵢ/σ] ≈ σ·√(2 ln n)。

具体数字：n=20，√(2 ln 20) = √5.99 ≈ 2.45。若 σ = 0.2 个标准差（一个中等精度的研究），膨胀 ≈ 0.49 SD。n=1000 时 √(2 ln 1000) ≈ 3.72，膨胀 ≈ 0.74 SD。你什么都没造假，只是「挑了最好的」，偏倚就有半个标准差。

【隐式】这就是赢家诅咒（winner’s curse），也是「衰退效应」（decline effect）的零假设解释：复现研究不是打了原研究的脸，它只是没做那次 max。第一次报告的是 E[θ̂ | 被选中]，复现报告的是 E[θ̂ | 无选择]——两个不同的量，差值正是选择信息。

【细微】注意方向：偏倚随【选择压力】增长，而不是随【真实效应】增长。效应越小、噪声越大、候选越多，膨胀越狠。这解释了为什么「小效应 + 大样本搜索」的领域（基因组关联、心理学、神经影像）复现率最低——不是这些领域的人更不诚实，是它们的 n_candidates 更大。

【极难发现】一个反直觉的转折：赢家诅咒在贝叶斯框架里不一定是「错」。如果你问的是「在被检测到的那些效应里，真实效应多大」，那么 E[θ | θ̂ > c] 才是正确答案，而它确实大于 θ。问题出在【把条件期望当无条件期望报告】：你报告的是「效应有多大」，但你的数据只支持「在被选中的效应里有多大」。这是两个后验，混用就是双重计数——你用选择事件既筛了数据，又把筛选的信息当成了效应本身。

【显式】可操作的修正只有三条路，且互相排斥： 1. 消除选择：预注册、全部报告（registered reports），让 E[max] 变回 E[mean]。 2. 显式建模选择：层次贝叶斯 / 收缩估计（James–Stein），把选择事件写进似然。 3. 报告条件量并说清楚：承认你报的是 E[θ | 被选中]，别把它当 E[θ]。

【隐式】James–Stein 的惊人之处：当维度 ≥ 3，把每个估计都向均值收缩，总平方误差严格小于不收缩。这不是技巧，是「承认选择」的数学形式——你越是从很多里挑，越该往回缩。

【结论】赢家诅咒不是道德问题，是 max 这个函数的性质。任何「从很多里挑最好」的流程——论文、A/B 测试的获胜版本、招聘、模型选型——都在生产被高估的赢家。

【值得辩论】赢家诅咒到底是「需要校正的偏倚」，还是「对『足够大到能被发现的效应』这个问题的正确答案」？如果你只关心能被检测到的效应，E[θ|选中] 就是你要的；如果你关心的是效应本身，它就是偏倚。区别不在数学，在你到底在问哪个问题——而大多数论文从不声明自己在问哪个。