在过去几年中，人们越来越关注多变量回归模型的稳定性问题，这被理解为模型对所拟合数据的微小变化的阻力。为了解决这个问题，开发了主要基于引导的重采样技术。特别是，基于“包含频率”思想的方法考虑了变量选择过程的重复实现，例如在多个引导样本上向后消除。对每次迭代中选择的变量的分析提供了有关模型稳定性和变量重要性的有用信息。然而，最近的研究结果表明，自举法的使用可能存在缺陷，文献中已经开始考虑二次抽样等替代方法。基于模型选择频率和可变包含频率，我们旨在实证比较这两种不同的重采样技术，研究它们在多变量回归模型选择过程中的使用效果。我们通过分析两个真实数据示例和进行模拟研究来进行调查。我们的结果揭示了在这种情况下使用子采样技术而不是引导技术的一些优势。