统计数据分析中的常见做法是进行数据驱动的变量选择，并从结果模型中得出统计推断。当模型被先验选择时，这种推断无法保证经典统计理论提供的检验和置信区间。我们建议产生有效的“选择后推断”通过将问题简化为同时推断问题，从而适当扩大常规置信度和保留区间。在所有子模型中，作为系数估计出现的所有线性函数都需要同时性。通过为所有可能的子模型购买“同时保险”，得到的后选择推理在所有可能的模型选择过程中普遍有效。因此，对于特定的选择程序，这种推断通常是保守的，但它总是不如完全谢夫保护保守。重要的是它确实如此不依赖于所选子模型的真实性，因此即使在错误的模型中也会产生有效的推断。我们描述了同时推理问题的结构，并给出了一些渐近结果。