面板数据具有截面和时间双重维度的特性,因此为了全面了解面板数据中自变量对因变量的影响情况,则要从这两个维度引入变量去构造模型,而这样就会产生较多的变量。但是太多的变量就会影响我们分析数据的重点,不能做到有的放矢。本文对面板回归模型引入LASSO、SCAD、自适应LASSO和Group LASSO等变量选择方法,并在三种截断准则下对比分析不同模型在简洁程度和解释精确度之间的平衡性。通过对十二个国家在十年里的人均寿命面板数据案例的实证分析,我们发现SCAD和自适应LASSO方法的结果较为理想,对动态模型里滞后期数的确定较为准确快捷,而且会比LASSO能剔除更多的变量；同时,它们在三种截断准则下总体效果都比较好。Group LASSO是将每组变量为基本单位来选出模型,故仍会造成多重共线性且无法确定动态模型里滞后变量的数量。从三个截断准则的角度来看,本案例中AIC和GCV准则在变量选择结果上接近,而BIC准则在剔除那些造成多重共线性的变量以及模型的简洁程度上都优于另外两种准则。通过本文降维方法的引入,发现在动态变系数模型中剔除了大部分没有显著影响的变量之后,模型解释程度依旧能保持较高水平,并于此基础上我们可以在不同的时间和截面维度上来分析那些影响人均寿命的主要因素。