在处理高维回归问题时,传统的最小二乘法容易出现过拟合的现象,这时需要进行变量选择,去除重要性较低的变量,从而简化模型防止过拟合。从上世纪90年代末开始,以Lasso为基础的通过正则化实现变量选择,如SCAD、自适应Lasso、MCP等方法相继出现,能够同时实现参数估计和变量选择。有向无圈图(DAG)可以一定程度上清晰地反映变量之间的关系,我们以其中一个变量为响应变量,其余变量为协变量进行多次回归即可以生成DAG,进而发现变量之间的关系。因此,可以通过Lasso、SCAD、自适应Lasso、MCP几种变量选择方法生成DAG。2016年Han等人提出一种基于自适应Lasso的两阶段方法,在第一阶段使用自适应Lasso方法产生网络后,第二阶段在第一阶段基础上采用带有禁忌列表的离散改进搜索算法(DIST)对第一阶段的结果进一步压缩产生最终网络。产生最终网络后,需要根据实际情况考虑查全率和查准率对网络进行评价,不同的评价标准下各网络生成方法的优劣也不同。本文尝试在基于自适应Laaso的两阶段方法的基础上,在第一阶段使用SCAD、MCP方法代替自适应Lasso,产生SCAD、MCP修改的两阶段方法。通过多次模拟,控制各类变量,对比几种一阶段方法和两阶段方法的网络生成效果。我们发现在小样本情况下一阶段方法普遍更好,其中MCP方法的网络生成效果最好;大样本情况下两阶段方法普遍更好,其中MCP修改的两阶段方法的网络生成效果最好,可见MCP修改的两阶段方法在大样本下相比基于自适应Lasso的两阶段方法有了一定的改善。再综合分析各种方法在不同评价标准下的表现,通过每次模拟中各项指标的具体数值探究各方法在不同方面的优劣。然后对比各方法的用时,分析各方法的适用情形。最后通过两个实际案例说明DAG在实际生产生活中的应用。