关于模型平均后的处理：
我在做多元线性拟合，进行模型选择和模型推断。想通过AIC准则进行模型选择。文献中提到：模型选择过程中，只基于“最佳”模型的推理会忽略其他同样合理的模型，于是列出了一组△AICc < 2的模型，进行模型平均，模型平均的结果如何解读？问献中又提及评估选定的最佳模型中出现的每个变量的相对重要性，以及估计所有模型中每个变量的累积权重（如图），这样做得目的是为何？。
（1）模型平均结果
Call:
model.avg(object = f, f2, f3, f4)
Component model call:
lm(formula = <4 unique values>, data = Ant.aic)
Component models:
     df  logLik   AICc delta weight
1234  6 -230.23 472.98  0.00   0.39
123   5 -231.65 473.67  0.69   0.27
134   5 -232.01 474.39  1.40   0.19
13    4 -233.35 474.94  1.96   0.15
Term codes:
DLWH  FZZ   GM   LD
   1    2    3    4
Model-averaged coefficients:  
(full average)
             Estimate Std. Error Adjusted SE z value Pr(>|z|)   
(Intercept) -0.334366   0.229290    0.230518   1.450  0.14692   
LD           0.009953   0.011594    0.011635   0.855  0.39229   
FZZ          0.003629   0.003539    0.003552   1.022  0.30689   
GM           0.009327   0.003474    0.003500   2.665  0.00769 **
DLWH        -0.663898   0.329940    0.331606   2.002  0.04528 *

(conditional average)
             Estimate Std. Error Adjusted SE z value Pr(>|z|)   
(Intercept) -0.334366   0.229290    0.230518   1.450  0.14692   
LD           0.017170   0.010391    0.010469   1.640  0.10098   
FZZ          0.005481   0.002961    0.002983   1.837  0.06619 .
GM           0.009327   0.003474    0.003500   2.665  0.00769 **
DLWH        -0.663898   0.329940    0.331606   2.002  0.04528 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
图