模型预测中的不确定性来自多个方面，包括问题的特点、概念的形成和计算模型、有关数据的估计以及结果的计算、解释和记录。只有有关数据的估计所产生的不确定性能够用变差扩大方法加以量化。根据专家意见，可用决定树和事件树方法评估由于模型特征错误描述而产生的不确定性。在某些情况下，用数据的二次分析方法可以解决模型特征误差问题。

1.1模型的本质

  因为来自食品化学的或微生物的风险强度难以测定，对结果的估计往往采用模型或历史资料。暴露-作用模型包括极简单的“大拇指规则”模型到复杂的随机模型。各类模型的可靠程度取决于各项结果数据的精确度以及模型所代表相关生物、化学和物理过程的正确性。不确定性分析可用来评估模型的可靠程度和数据精确度对模型预测能力的影响程度。

1.2模型不确定度的确定方法

  在适当的场景或模型存在不确定性时，可用一些方法来评估其他模型对预测结果的影响。诸如概率树、事件树以及错误树等方法可用于推导多元事件导致符合研究目标的结果。事件树始于某些启动的事件，包含了所有可能的结果。每个事件的概率可以用概率分布图表示。这种方法的优点是直观地表示所有可能的场景和使用概率分布对有关的证据进行解释。

1.3输入变异性的判断和传播方法

描述风险的不确定性包括计算算术平均数、算术或几何标准差以及风险的高、低百分位数。表示此类资料的简便工具是概率密度函数或者风险的累积分布函数。只有当用于估计风险的导入变量本身具有有意义的概率分布时，才能得到风险概率密度函数或者累积密度函数。不确定性分析中可分为五步：

（1）           确定在预测模型中产生不确定性的导入参数；

（2）           建立概率密度函数来确定每个结果参数的取值范围；

（3）           考虑导入参数之间的相关性；

（4）           用模型来扩大不确定性，以产生结果数值的概率密度函数；

（5）           从结果变量的预测值的概率密度函数产生可信限和可信区间。

使用变异扩大方法估算模型中参数结果偏差和模型预测偏差的关系。精确分析法、近似分析法和统计模拟法可用于扩大差异。