当今信息时代,数据已经渗透到每一个行业和职能领域,逐渐成为重要的生产因素。如何从冗杂的数据中提取重要特征,如何处理高维复杂数据结构,已成为统计学研究的热点问题。其中,变量选择就是一种提取有效信息的重要方法。自1996年统计学家Tibshirani提出Lasso方法以来,极大地推动了变量选择方法的研究,常见的方法有:Lasso、岭回归、Elastic-Net、SCAD、MCP等。这些方法通过惩罚函数的形式在最小二乘的基础上施加惩罚,以达到压缩变量的效果。本文旨在通过数值模拟和实证分析,全面、综合地比较这五种方法的应用效果。对比数值模拟和实证分析的结果,可以发现,带惩罚的Logistic变量选择模型预测准确率均高于全变量Logistic模型;Lasso和SCAD方法适用性较强,在不同数据量和变量间相关程度下,都能保证较高的预测精度和较小的系数估计误差;岭回归和Elastic-Net倾向于保留较多变量,虽然预测准确率较高但系数估计误差较大;MCP方法适用于自变量相关性较强的情况,对变量的压缩程度较大。结合沪深A股制造业上市公司财务数据进行实证研究,结果表明SCAD和Lasso惩罚逻辑回归具有较好的预测效果和经济解释能力,能够识别企业盈利能力、成长能力、经营能力以及资本结构中重要因素对财务困境的影响,具有较好的实用性。