占用率模型通常用于确定某一物种出现在给定地点的概率，同时考虑不完全检测。这些模型所依据的调查数据通常包括一些可能表征栖息地适宜性和物种可检测性的预测因子的信息。由于这些变量可能并不都相关，因此在这种情况下，模型选择技术是必要的。在实践中，模型选择是使用Akaike信息标准（AIC）进行的，因为几乎没有其他替代方案可用。本文通过内在先验方法为占用模型建立了一个客观的贝叶斯变量选择框架。当考虑到高阶项时，该过程在模型空间中加入了先验信息，这些先验信息解释了测试多重性，并尊重了预测因子的多项式层次结构。该方法是使用随机搜索算法实现的，该算法能够彻底探索大空间的占用模型。提出的策略是完全自动的，在不牺牲发现真正有意义的协变量的情况下，提供了对假阳性的控制。通过仿真研究，对该方法的性能进行了评估，并与AIC进行了比较。该方法在文献中先前研究的两个数据集上进行了说明。