标题： 调整后的贝叶斯推断针对选定参数 显示英文标题

标题： Adjusted Bayesian inference for selected parameters

摘要： 我们从贝叶斯视角探讨了基于观测数据选择参数后的推断问题。 我们提出了一种贝叶斯框架，用于为选定的参数提供推断，基于提供选定参数的贝叶斯推断是一个截断数据问题的观察。 我们证明，如果参数的先验是非信息性的，或者参数是一个“固定”的未知常数，则必须调整贝叶斯推断以考虑选择的影响。 我们的第二个贡献是引入了贝叶斯错误发现率控制方法，该方法推广了现有仅定义于两组混合模型中的贝叶斯FDR方法。我们通过将其应用于模拟数据和微阵列实验数据来展示我们的结果。 显示英文摘要

摘要： We address the problem of providing inference from a Bayesian perspective for parameters selected after viewing the data. We present a Bayesian framework for providing inference for selected parameters, based on the observation that providing Bayesian inference for selected parameters is a truncated data problem. We show that if the prior for the parameter is non-informative, or if the parameter is a "fixed" unknown constant, then it is necessary to adjust the Bayesian inference for selection. Our second contribution is the introduction of Bayesian False Discovery Rate controlling methodology,which generalizes existing Bayesian FDR methods that are only defined in the two-group mixture model.We illustrate our results by applying them to simulated data and data froma microarray experiment.