模型預測中的不確定性來自多個方面，包括問題的特點、概念的形成和計算模型、有關數據的估計以及結果的計算、解釋和記錄。只有有關數據的估計所產生的不確定性能夠用變差擴大方法加以量化。根據專家意見，可用決定樹和事件樹方法評估由于模型特征錯誤描述而產生的不確定性。在某些情況下，用數據的二次分析方法可以解決模型特征誤差問題。

1.1模型的本質

  因為來自食品化學的或微生物的風險強度難以測定，對結果的估計往往采用模型或歷史資料。暴露-作用模型包括極簡單的“大拇指規則”模型到復雜的隨機模型。各類模型的可靠程度取決于各項結果數據的精確度以及模型所代表相關生物、化學和物理過程的正確性。不確定性分析可用來評估模型的可靠程度和數據精確度對模型預測能力的影響程度。

1.2模型不確定度的確定方法

  在適當的場景或模型存在不確定性時，可用一些方法來評估其他模型對預測結果的影響。諸如概率樹、事件樹以及錯誤樹等方法可用于推導多元事件導致符合研究目標的結果。事件樹始于某些啟動的事件，包含了所有可能的結果。每個事件的概率可以用概率分布圖表示。這種方法的優點是直觀地表示所有可能的場景和使用概率分布對有關的證據進行解釋。

1.3輸入變異性的判斷和傳播方法

描述風險的不確定性包括計算算術平均數、算術或幾何標準差以及風險的高、低百分位數。表示此類資料的簡便工具是概率密度函數或者風險的累積分布函數。只有當用于估計風險的導入變量本身具有有意義的概率分布時，才能得到風險概率密度函數或者累積密度函數。不確定性分析中可分為五步：

（1）           確定在預測模型中產生不確定性的導入參數；

（2）           建立概率密度函數來確定每個結果參數的取值范圍；

（3）           考慮導入參數之間的相關性；

（4）           用模型來擴大不確定性，以產生結果數值的概率密度函數；

（5）           從結果變量的預測值的概率密度函數產生可信限和可信區間。

使用變異擴大方法估算模型中參數結果偏差和模型預測偏差的關系。精確分析法、近似分析法和統計模擬法可用于擴大差異。