Unter Modellwahl versteht man die Aufgabe für gegebene Daten das beste Modell aus einer Menge möglicher Modelle auszuwählen. Ein bekanntes Beispiel dafür ist Variablenselektion in Regressionsmodellen, deren Ziel die Auswahl von relevanten Prädiktoren aus einer Menge möglicher erklärender Variablen ist. Variablenselektion ist insofern notwendig, da eine Nichtberücksichtigung von relevanten Prädiktoren zu verzerrten Schätzern führt, während die Aufnahme irrelevanter Prädiktoren in das Modell die Schätzgenauigkeit vermindert. Wärend im frequentistischen Ansatz der Statistik Modellwahl auf Hypothesentests oder Modellwahlkriterien wie AIC und BIC basiert, erfolgt die Modellwahl im Bayes Ansatz mit Algorithmen, die eine stochastische Suche im Modellraum erlauben.  Am IFAS wurden Methoden sowohl zur Variablenselektion in verallgemeinerten linearen Modellen und gemischten Modellen als auch zur Modellwahl in Modellen mit zufälligen Effekten und Zustandsraum-Modellen entwickelt. Die aktuelle Forschung am IFAS konzentriert sich auf Modellwahl in Modellen für Behandlungseffekte und kategoriale Kovariable (FWF- Projekt: Sparsame Modellierung von kategorialen Kovariablen).