چکیده: در تحلیل رگرسیون اغلب با مجموعه داده‌هایی مواجه هستیم که در آن تعدادی از متغیر‌های پیشگو با متغیر پاسخ نامرتبط هستند. بــه منظــور تشخیص متغیر‌های مرتبط و در عین حال، حذف متغیرهای نامرتبط، روش‌های انتخاب متغیر متعددی بر اساس مدل‌های خطی یا مدل‌های خطی تعمیم‌یافته وجود دارند. اگرچه این روش‌ها مبتنی بر درنظر گرفتن یک مدل مشخص از پیش تعیین شده برای داده‌ها هستند، اما در عمل ممکن است به دلایل مختلف، تشخیص مدل مناسب امکان‌پذیر نباشد، که در اینصورت بحث انتخاب متغیر آزاد - مدل به میان می‌آید. در اینگونه روش‌های انتخاب متغیر معمولاً براساس یکی از معیارهای وابستگی، میزان اهمیت متغیرهای پیشگو با متغیر پاسخ اندازه‌گیری شده و سپس غربالگری متغیرها انجام می‌شود. در این پایان‌نامه یک روش غربالگری آزاد - مدل براساس همبستگی فاصله‌ای و اطلاعات متقابل ارائه و برای صحت‌سنجی آن از یک مثال شبیه‌سازی استفاده شده‌است. همچنین کاربرد آن در داده‌های واقعی نیز بررسی شده‌است. نتایج حاصل نشان می‌دهد که الگوریتم، بطور همزمان متغیرهایی که بیشترین ارتباط را با متغیر پاسخ دارند را پیدا کرده و متغیرهای زائد را نیز حذف می‌کند.