چکیده: امروزه به دلیل توسعه تکنولوژی، ذخیره و تحلیل داده‌ها با تعداد متغیرهای زیاد امکان‌پذیر شده است. اما باید به این نکته توجه داشت که چنان‌چه متغیرهای ثبت شده معنی‌دار نبوده یا تعداد آن‌ها زیاد باشد، تکنیک‌های برآورد کلاسیک کارا نبوده و علاوه بر شناسایی و حذف متغیرهای زائد باید از روش‌هایی غیرکلاسیک برای برآورد پارامترهای مدل استفاده کرد. در مدل‌بندی رگرسیونی چنان‌چه برآوردگرهای جریمه‌شده را به‌کار ببریم قادریم هم متغیرهای معنی‌دار را انتخاب کرده و هم پارامترها را برآورد کنیم. در این راستا، چنان‌چه متغیرها طوری گروه‌بندی شده باشند که باید تمامی آن‌ها حذف شوند یا باید همگی در مدل باقی بمانند، می‌توان از برآوردگرهای جریمه‌شده گروهی استفاده کرد. در این پایان‌نامه، با مروری مختصر پیرامون برخی روش‌های مرسوم و پرکاربرد انتخاب متغیر مدرن، برآوردگرهای جریمه‌شده گروهی را مورد بررسی قرار داده و با استفاده از یک سری مطالعات عددی، شبیه‌سازی شده و تحلیل داده واقعی ژنومی کاربرد آن‌ها را در مدل رگرسیون لجستیک تحقیق می‌کنیم.