モデル平均化の手法を使用すると、モデルを1つだけ選択するのではなく、複数のモデルの結果を平均化できます。モデル平均化を行ったほうが、予測精度が高いモデルが得られる傾向があります。オーバーフィットを防ぎたい場合にモデル平均化は有用です。モデルのパラメータ数が多くなると、パラメータ推定値を過大に見積もってしまう傾向があります。モデル平均化は、重要度の低い項の推定値を縮小(shrink; 収縮)させ、モデルの予測精度を上げます。モデルは、次式で算出される各モデルのAICc重み(AICcWeight)に従って平均化されます。
AICcBestは、あてはめたモデルの中で最小のAICc値です。各モデルについて算出されたAICc重みは、まず、降順に並べられ、また、合計が1になるように尺度化されます。そして、それらの尺度化されたAICc重みを小さいものから足し合わせていった累積和が、1から「AICc重み累積和の閾値」を引いた値に達しないモデルに対しては、AICc重みがゼロに設定されます。つまり、AICc重みが小さいモデルは、モデル平均化の計算から除外されます。平均化されたモデルのパラメータ推定値は、AICc重みがゼロに設定されなかったモデルにおけるパラメータ推定値の重み付き平均です。