Logistic回归模型是在医药业、金融业、制造业等行业中应用十分广泛的一种广义线性回归模型,响应变量Y的取值范围为{0,1},常作为分类器进行预测与判别分析。本文首先对Logistic回归的理论模型进行了介绍。在构建Logistic回归模型时,当预测变量的维数较大时,常需要进行变量选择来得到精确度较高与较稀疏的模型。逐步回归法、向前选择法、向后剔除法、Lasso方法和Elastic net方法是实际问题中适用范围较广的变量选择方法。本文对这五种变量选择方法应用于Logistic回归模型时的方法原理与步骤过程进行系统的介绍与分析。本文通过设置在较小、中等和较大样本量这三种情况下的模拟研究,对这五种变量选择方法在预测变量之间的相关性发生变化时的预测分类效果与特点进行比较分析。可发现在样本量较小且相关系数较小时,三种逐步选择方法在特异度上表现相同,向前选择与逐步回归在灵敏度上表现一致,Lasso的表现略优于Elastic net;在较大时,Elastic net的表现较为稳定且较好,向后剔除与逐步回归在灵敏度与特异度上表现一致。在中等样本量时,当接近0或接近1时,Lasso与Elastic net在各预测指标上表现较好。在样本量较大时,五种变量选择方法在各个预测指标上变动幅度与取值范围进一步减小,在AUC与准确度上取值逐渐趋于平稳。在三种样本量中,Lasso与Elastic net在灵敏度与特异度上比三种逐步选择的方法变化幅度小,相对较稳定。本文对我国制造业上市公司的财务预警问题进行研究分析,当某上市公司出现最近两年连续亏损等财务状况异常的情况时,将会被证券交易所对其进行特别处理（Special Treatment,ST）。本文收集了我国2003年至2021年期间制造业上市公司所公示的各季度财务报表,将上市公司是否首次被ST作为响应变量Y,若已被首次ST则Y取值为1。选取了财务报表中的一些重要指标作为预测变量来构建Logistic回归模型,分别运用这五种变量选择方法,对所得模型在参数估计结果与预测效果两方面上的表现特点进行比较分析。