贝叶斯模型平均（Bayesian model averaging; BMA），理学-统计学-数理统计-非对称损失函数，当存在多个模型时，这些模型从统计角度看起来都合理，但在实际应用中，对相同的统计推断问题不同的模型可能会得出不同的结论，因此对所有可能的模型进行加权平均的方法，是处理模型不确定性的一种方法。如果存在多个模型，它们从统计角度看起来都合理，对于感兴趣的统计推断问题，这些模型可能会导出不同的结论。美国统计学家A.拉夫特里指出，在这种情况下若使用常用的模型选择方法挑选出单个模型来作推断，会低估结论的不确定性。贝叶斯模型平均按所有可能模型作加权平均进行推断，这是一种模型组合的思想。贝叶斯模型平均在线性回归、广义线性模型、生存分析及图模型等方面存在广泛的应用。设为随机变量（向量）的观测数据，是个不同的模型，是待推断的未知量，则的后验密度函数为：这是各模型下的后验密度函数按权重的加权平均。为模型的后验概率，由下式计算：式中为模型的先验概率，而：式中为的模型参数；为相应的参数空间；为模型下的先验密度；为观测值的似然函数。