模型选择一直是统计学研究的重要及热门课题,其中基于贝叶斯的变量选择独树一帜。此类方法通过引入不同的先验信息,再结合似然,从而得到高效的统计推断。对于许多重要的参数模型与非参数模型,已有大量文献运用了贝叶斯变量选择方法。时间序列分析是统计学研究中的一个重要分支,它以事物在不同时间下的状态形成的数据为研究对象,通过其中的特征进行研究和分析,从而发现事物的变化规律。删失时间序列数据常出现在我们日常生活中,对这类数据的建模分析具有重要意义。本文结合贝叶斯变量选择和删失时间序列拟似然,构造删失数据下时间序列模型的贝叶斯变量选择,运用EM算法解决计算问题,能快速得出模型参数高效估计,文章主要分为以下两个部分。第一部分介绍了删失自回归模型及其条件对数拟似然,然后引入贝叶斯方法,通过连续的spike and slab先验,得到拟似然的后验分布。运用EM算法得出自回归模型的参数估计和变量选择,减少了MCMC方法的计算量,在模型研究中得到了较高的模型正确选择率,验证了此方法的有效性。最后将提出的方法应用到Cloud Ceiling数据中进行分析。第二部分研究了具有外生变量和自回归结构的删失时间序列模型的变量选择,给定合适的先验分布,通过后验推断得到变量选择的后验分布,利用EM算法最大化后验分布并得出协变量参数与自回归参数的估计和变量选择。在模拟中验证了此方法的有效性,模拟结果表现良好,且随着样本量的增大,模型的正确选择率逐渐增加且模型拟合的均方误差也越来越小。最后将提出的方法应用到河水中磷浓度数据中进行分析。