线性回归分析是各种多元统计分析方法当中应用最为广泛的一种方法,目的是为了研究多个变量间相互依赖的关系。而建立回归模型的过程中,有一个非常重要的问题,就是如何从众多的解释变量中选取对响应变量影响最大的变量,即变量选择问题。变量选择在现代统计学中的地位越来越重要,其中,于1996年Tibshirani提出来的“Lasso”方法受到了学者们的追捧。随着计算机技术的不断发展,现阶段,“Lasso”方法已经被用到各类模型中来解决变量选择问题。本文主要是将“Lasso”方法运用到回归模型,并利用股票市场来进行实证研究。首先,本文从多元回归分析入题,简单介绍了线性回归模型中有偏估计的发展、线性模型中常用的变量选择方法。其次,本文对“Lasso”方法进行了详细的解释,主要介绍了“Lasso”的定义、Lars算法以及”Lasso”的相关方法等等。最后,本文选取上证50指数的5分钟分时数据作为因变量,组成上证50指数的50支股票的相同时间段的5分钟分时收盘价作为自变量进行实证研究。为了体现“Lasso”方法的压缩与选择功能,本文还选择了逐步回归方法作为对比,通过对上证50指数和组成其指数的50只成分股建立回归模型,然后采用“Lasso”方法和Lars算法,运用R软件中Lars程序包对模型进行求解。最后成功选取出了19支对上证50指数影响较大的成分股,通过进一步的拟合分析,发现模型效果是很好的。本文最后还在模型中引入权重,以使用更多的自变量信息,发现引入权重后选择的股票只数并未改变,只是每只股票的系数发生了变化,拟合发现加入权重后效果更好,拟合值与真实值的走势更加接近。可以作为投资者预测股市动态的一部分参考。以达到本文运用变量选择方法研究股市行情的目的。