在分析实际问题的过程中，我们可能会对不同情况建立不同的模型。考虑一组数据应该用哪个模型来分析，这就是模型选择问题。本文主要讨论基于贝叶斯方法的模型选择及参数估计，这里我们介绍两种方法，一是基于DIC准则选择最优模型，二是将模型选择的问题转化成对示性变量后验分布的分析，通过积分等手段，使得其他感兴趣的参数不出现在示性变量的后验分布中，利用马尔可夫链蒙特卡洛(MCMC)方法进行抽样。　　本文详细阐述了MCMC方法中的Metropolis-Hastings算法和Gibbs算法，介绍了马氏链收敛性的诊断方法。然后讨论了贝叶斯模型选择应用于随机波动(SV)模型，随机搜索变量选择方法，非参数回归(NR)模型和非参数似不相关回归(NSUR)模型。　　首先，对SV模型进行分析，首次选取上证基金指数和深市基金指数做实证分析，以此观察我国基金市场的综合变动情况。在介绍五种SV模型后，详细推导出各模型参数的满条件后验分布，从而利用Gibbs抽样并基于DIC值和一些残差的信息来选择模型，给出相应的参数估计。得出SV-MT优于其他模型，可以用来描述我国基金市场的波动水平及尖峰厚尾的性质。　　其次，在多元线性回归模型和自回归模型中应用随机搜索变量选择方法来进行模型选择。随机搜索变量选择方法是通过建立一个层次贝叶斯正态混合模型，借助示性变量来进行变量选择，而具有最高后验概率的子模型即为最优模型，从而避免了搜索所有可能子模型。接下来，将该方法分别应用于美国对子鸡需求的线性模型和我国大米价格指数的自回归模型，与传统方法得到的结果相同。　　最后，针对多个方程间是否存在相关关系，我们建立非参数回归(NR)模型和非参数似乎不相关回归(NSUR)模型，。采用两种不同的核函数来构造基础函数系，两个模型在相关数据集下的计算结果和不相关数据集下的计算结果表明，两种核函数所得到的结果差异不大，NR和NSUR模型均能准确地估计函数，此外，NSUR模型估计的相关系数也是准确的。进而用两种模型来对中、日、美、英四国进口额与GDP之间的关系建模，得出用NR模型能更好地描述数据之间的关系。