Les méthodes de rétrécissement fournissent des estimateurs de la moyenne de la loi normale qui dominent l'estimateur du maximum de vraisemblance en termes de perte quadratique, notamment grâce aux procédures de type James-Stein. Lorsque la matrice de variance-covariance est inconnue, les approches classiques nécessitent d'inverser son estimateur. Cependant, dans les contextes en haute dimension, cette matrice est presque certainement singulière, si bien que les méthodes classiques échouent. Dans Chételat et Wells (2012, AOS), un estimateur de type James-Stein a été proposé pour la moyenne de la loi normale normale en haute dimension avec une matrice de variance-covariance inconnue. Après un examen plus approfondi, on s'aperçoit qu'une faille dans un théorème central et sa preuve affecte le résultat de dominance énoncé. Nous fournissons une preuve corrigée et clarifions les conditions précises sous lesquelles la dominance s'applique. Nous étendons ensuite l'analyse aux paramètres de moyenne à valeurs matricielles dans un cadre unifié couvrant à la fois les contextes de faible et de haute dimension, établissant ainsi les conditions de finitude du risque et de dominance.