诸如Lasso类的惩罚系数变量的选择方法在选入模型时,没有考虑将选择事件的结果视为一个统计行为从而进行相应的统计推断。已有的文献方法在选择性推断模型时会丢弃未包含在模型中的有关变量的信息。为了解决上述问题,本文提出了一种基于适应性Lasso选择性推断的估计理论,并基于此构建了一种新的算法框架,我们首先使用随机化Lasso算法获得关于每个变量的重要性度量,即相应权重估计的大小;接下来从适应性Lasso选择事件出发构造相应的截尾正态参数分布,通过该分布进行假设检验进一步删除系数中不显著的变量,从而得到最终估计结果。本文所提出算法的创新点在于,从后验选择性推断事件的角度出发,结合随机化Lasso算法,从综合考量数据信息和选择性推断信息这一个新的角度得到了一个权衡的解决办法:该方法突破了适应性Lasso选择变量的数目限制,当干扰变量的冗余信息被引入到观测数据时,可以灵活地进行特征筛选,识别出真实变量与干扰变量。本文在多种情境对提出的算法进行了的仿真研究,与现有的惩罚变量选择方法相比,数值模拟结果表明了该方法在变量选择和准确率识别中的良好表现。在实际经济数据的分析中,本文应用提出的算法讨论了影响汇率的实际因素,并与传统的计量经济学的算法进行了比较,得出的结论是,本文算法可以正确选择出真实的变量,很好地解释了汇率的波动,与相关的经济学理论相吻合。