Nas pesquisas em geral, as pessoas comumente propõem um único modelo na seleção de variáveis explicativas e assumem que é o modelo final, mas isso ignora tanto a incerteza do modelo quanto em esti- mativas de coeficientes. Todos os modelos estatísticos tradicionais têm esse tipo de problema de "incerteza". O Bayesian Model Averaging (BMA) é um método que tem uma longa história de desenvolvimento teórico e aplicação que visa explicar diretamente a incerteza de seleção do modelo. O BMA não seleciona diretamente um único modelo final dentre os disponíveis, mas calcula uma média ponderada dos modelos possíveis ba- seada nas probabilidades a posteriori de tais modelos. O objetivo deste estudo é revisar o BMA e algumas de suas propriedades e aplicá-lo em alguns exemplos reais. Os resultados mostram que o BMA tem um efeito melhor do que o modelo tradicional de seleção de variáveis e melhores resultados de previsão.

In general research, people commonly propose a single model in selecting explanatory variables and assume it is the final model, but this ignores both model uncertainty and coefficient estimates. All traditional statistical models have this kind of "uncertainty" problem. Bayesian model averaging (BMA) is a method that has a long history of theoretical development and application that aims to directly deals with model selection uncertainty. BMA does not directly select a single final model from those available, but calculates a weighted average of the possible models based on the posteriori probabilities of that models. The aim of this study is to review the BMA and some of its properties and apply it to some real examples. The results show that the BMA has a better performance than the traditional variable selection methods and better forecasting results.