我们研究了高维渐近设置下线性模型的变量选择问题，其中观察数$n$的增长速度与预测数$p$的增长速率相同。我们考虑两阶段变量选择技术（TVS），其中第一阶段使用桥式估计量来获得回归系数的估计值，第二阶段简单地阈值化该估计值以选择“重要”预测因子。评估了这些TVS的渐近假发现比例（$\operatorname{AFDP}$）和真正比例（ATPP）。我们证明了对于固定的ATPP，为了获得较小的$\operatorname{AFDP}$，应该在TVS的第一阶段选择一个渐近均方误差较小的桥式估计量。基于这一原则性发现，我们通过深入研究桥梁估计器的估计特性，对不同的TVS进行了尖锐的比较。我们的分析侧重于精确的误差表征，而不是使用松散常数的“有序”误差界。研究了各种有趣的信噪比和稀疏度设置。我们的结果为高维变量选择提供了新的、彻底的见解。例如，我们证明了在大噪声设置下，第一阶段具有Ridge的TVS优于具有其他桥接估计器的TVS；当信号稀少且微弱时，两级LASSO变差。作为副产品，我们表明在某些条件下，两阶段方法优于一些标准变量选择技术，例如$\operatorname{LASSO}$和Sure Independence Screening。