随着大数据时代的到来,模型选择已成为当代统计学的热点研究课题之一,并且在多个领域有着不同的应用,比如经济领域,生物医学领域和房地产等商业领域。但是在实际问题当中,面对海量数据,统计工作者需要根据实际问题对数据进行分析建模,所以模型选择则成为其关键的一步。近年来,数据分析越来越热,随之而来的模型选择也越来越受到广泛的关注。对于模型选择方法中,需要对很多参数进行估计,若当训练数据足够多时,可以不断提高模型精度,但是以提高模型复杂度为代价的,同时带来一个非常普遍的问题――过拟合。所以,模型选择问题在模型复杂度与数据的集中度之间寻求最佳平衡。现在模型选择主要分为贝叶斯模型选择和增加惩罚因子的模型选择两大理论方法,不论是从模型本身的概率来讲还是通过惩罚因子选择得到的模型,最终都会通过一些准则来避免模型的过度拟合,并在最后由此判断其方法的优劣进行更好的预测,减少不必要的预测误差。本文则主要基于多元线性回归模型,通过Fiducial推断的方法进行模型选择,并利用Bregman散度包含了多种不同损失的优点对模型选择结果进行分析,这可以从多角度对选择的模型进行比较分析,同时检验了Fiducial模型选择的稳定性,由此可以更好的进行预测。