我们考虑了高斯线性回归中模型选择的贝叶斯方法，其中预测因子的数量可能远大于观测值的数量。从频率学家的角度来看，所提出的方法导致了惩罚最小二乘估计，其复杂度惩罚与模型大小的先验相关。我们研究了结果模型选择器的最优性。对于“近正交”和“多重共线性”设计，我们建立了预言不等式，并在先验值上指定了条件，暗示其在广泛的稀疏和稠密设置中的渐近极小性。