显著自变量的确定对建立多元回归模型对许多现实世界的应用至关重要的作用。此变量选择过程允许模型在多个方向包括因变量的更好的预测和正确描绘自变量这对拟合模型重要的作用表现得更好。然而，传统的变量选择方法，例如赤池信息量准则（AIC），锦葵的cp和贝叶斯信息准则（BIC），常常是高度耗时且从潜在的不稳定性受到影响。

近日，马尔可夫链蒙特卡罗Carlo-（MCMC-）基于计算技术的子集选择，使用随机搜索变量选择（的SSVs）算法，已经成为广泛应用于线性回归，广义线性模型，质量要求（QR）模式，和其他建模构架。然而，对于一些应用，如化学计量学或生物信息学，SS VS移至算法是非常耗时的，并且因此从计算困难此方法缺点。因此，通过正则化方法变量选择已收到近几年极大的兴趣。

这个特别问题的目的是着眼于正则化的回归方法，特别是在正则化在变量选择和估计的线性回归模型中的作用。此外，鼓励在具有散光的参数个数渐近理论意见书。这两种原始的研究文章强调在建模和应用进展正规化回归并在现有技术的当前状态的评论文章，欢迎选购。

潜在的主题包括但不限于以下内容：

• 正则最小二乘回归
• 正则稳健回归方法
• 正则分位数回归方法
• 正则expectile回归
• 贝叶斯正则化回归
• 贝叶斯规整位数回归
• 贝叶斯规整expectile回归
• 对于正规化最小二乘回归最优利率
• 正规化估计的渐近甲骨文性质
• 克服使用正则化方法的过学习问题