استفاده از روش های درستنمایی تاوانیده با تکثیر مجموعه داده های بعد بالا گسترش یافته است. با این وجود، هنگامی که تعداد مشاهداتدر مقایسه با تعداد متغیرهای کمکی نسبتاً کم است، هر مشاهده ای به طور بالقوه می تواند تأثیر بسزایی روی انتخاب مدل و استنباط داشته باشد. بنابراین، شناسایی و ارزیابی مشاهدات موثر در روش های تاوانیده مهم است. در این مقاله، معیارهای تأثیر برای تشخیص مشاهدات موثر در رگرسیون لاسو بعد بالا که اخیراً معرفی شده اند، مرور می شوند. سپس، این معیارها تحت روش الاستیک نت که برای بهبود پیش بینی های مدل، ویژگی حذف از لاسو و کاهش ضرایب از ریج را ترکیب کرده، بررسی می شوند. از طریق شبیه سازی و مجموعه داده های واقعی نشان داده م ی شود که معیارهای تأثیر معرفی شده به طور کارآمد مشاهدات موثر را شناسایی می کنند و می توانند به آشکارسازی روابط پنهان در داده ها کمک کنند.
