中文摘要：

目的 logistic回归是生物医学研究中常用的方法,可以进行影响因素筛选、概率预测、分类等。高通量测序技术得到的数据给高维变量选择问题带来挑战。惩罚logistic回归可以对高维数据进行变量选择和系数估计,且其有效的算法保证了计算的可行性。方法 本文介绍了常用的惩罚logistic算法如LASSO（least absolutes shrinkage and selection operator）、EN（elastic net）、SCAD（smoothly clipped absolute deviation）、MCP（minimax concave penalty）以及SIS（sure independence screening）等,并用模拟数据对各方法进行评价。结果 （1）各方法的结果与自变量间的相关程度有关,不同惩罚logistic回归的精确性与自变量间的相关程度有关,如果相关较高,LASSO或EN的结果较好,而在相关较低时,MCP或SCAD结果较好;（2）结合SIS的方法倾向于少选变量,误选率低,但敏感度也低,而LASSO、MCP、SCAD选择变量较多,误选率高,但敏感度较高;（3）当自变量间低度相关时,SIS的三种方法结果非常接近,但相关较高时,SIS＋LASSO的结果表现较好。结论 采用非小细胞型肺癌的基因数据集进行实例分析,并表明如何根据模拟实验的结论,在多种方法的不同结果间进行选择。