文 献 综 述 回归模型是现代统计学中应用最为广泛的一类模型，变量选择作为模型选择的一种手段，是统计分析与推断中的重要内容, 是近年来统计分析的最主要内容之一，是大数据时代高维数据统计模型的研究基础，也是当今研究的热点课题。

在计算机技术日益强大的今天，人们越来越关注如何从海量数据中挖掘出有用信息。

统计建模是完成这类任务的有效手段之一。

在统计建模最开始，为了尽量避免因为漏掉重要的自变量而导致的模型误差，我们一般会选入比较多的自变量。

这样会使得模型的预测能力较弱，并且难以解释。

因此需要找到对变量解释性最强的自变量集合，来提高模型的解释性和预测精度。

在回归模型建模过程中，如果把一些对响应变量影响不大，甚至没有影响的协变量选入回归模型,估计和预测的精度也会下降[1]。

变量选择方法的功能就是选择恰当有用的变量以实现维数的降低，简化模型。

1、国外研究回顾 变量选择间题的研究由来已久，20世纪60年代就已经有不少文献。

以1974年赤池弘次，提出AIC为标志，三十多年来，变量选择模型选择的研究一直是统计学的重要问题，方法和理论都有了巨大的发展, 并见证了科学的进步。