简介：摘要多重共线性是影响回归分析结果的一个重要问题，近年来发展的LASSO方法对于筛选解释性较高的变量、处理高维数据和解决多重共线性问题具有强大的优势。该方法是在模型估计中增加了惩罚项，能将一些不必要变量的回归系数压缩为零进而从模型中剔除，达到变量筛选的目的。本文将重点介绍LASSO这一方法，并与最优子集、岭回归、自适应LASSO与弹性网络的结果进行比较，结果显示LASSO与自适应LASSO在解决自变量多重共线性问题以及增强模型解释性、预测精度方面均有较好的表现。
LASSO及其拓展方法在回归分析变量筛选中的应用
