变量选择是从多个解释变量中科学地选择出对被解释变量具有较大解释意义变量的数学方法。变量选择方法通过选择更有解释力度的解释变量,解决变量间多重共线性问题,提高模型预测准确度。本文在前人变量选择方法研究基础上,在伽马回归似然函数后增加SCAD惩罚项,给出对数连接函数及倒数连接函数时,伽马回归模型的罚似然估计。这为服从伽马分布的金融保险、环境大气等数据提供了变量选择方法。为证明该方法的可行性,首先计算伽马回归模型的概率密度函数及其信息矩阵。进一步计算惩罚似然估计方法所得到估计量的收敛速率。最后证明该估计量具有稀疏性、渐近正态性的Oracle性质。在数值模拟方面,通过Monte Carlo模拟,生成三组不同相关系数的随机数据,与现有其他基于伽马回归模型变量选择方法比较,表明本文方法在不同相关系数的数据中可以较好地对估计量进行估计,且能够准确地进行稀疏。进一步,重复100次Monte Carlo模拟,采用方差、均方误差、零系数被准确估计为零的平均个数及非零系数被错误估计为零的平均个数四个指标,说明本文方法在数值模拟得到的估计量具Oracle性质。在实证分析方面,将本文方法应用于汽车保险数据,与其他伽马回归变量选择方法比较,表明本文方法能够在汽车年数与汽车保险赔偿次数两个高度相关变量中选择具有解释意义的变量,解决多重共线性的问题。